实用脚本如何量化主力缺阵损失值？

wen 实用脚本 2026-09-19 1

量化主力缺阵损失值

量化主力缺阵的"损失值"在体育分析、电竞、项目管理等场景都很常见，下面给你一套可落地的思路 + Python 脚本模板。

实用脚本如何量化主力缺阵损失值？

核心思路

主力缺阵损失 = 该球员的边际贡献值，可以从三个层次量化：

层次	方法	适用场景
L1 数据统计法	用胜率/净胜分差值算	有足够历史数据
L2 模型法	回归/评分模型剥离个人贡献	需要精细归因
L3 替代法	缺阵后实际表现 vs 理论表现	快速估算

基础版：胜率差值法

import pandas as pd
import numpy as np
def player_absence_loss(df, player_col, result_col, player_name):
    """
    df: 比赛记录，含是否该球员出场、比赛结果(1胜/0负 或 净胜分)
    """
    with_p    = df[df[player_col] == 1][result_col]
    without_p = df[df[player_col] == 0][result_col]
    win_rate_with    = with_p.mean()
    win_rate_without = without_p.mean()
    # 损失值 = 有他时的胜率 - 没他时的胜率
    loss = win_rate_with - win_rate_without
    return {
        "球员": player_name,
        "有他胜率": round(win_rate_with, 3),
        "无他胜率": round(win_rate_without, 3),
        "损失值": round(loss, 3),
        "样本(有/无)": (len(with_p), len(without_p))
    }
# 示例
data = pd.DataFrame({
    "star_played": [1,1,1,0,0,1,0,1,1,0],
    "win":         [1,1,0,0,1,1,0,1,0,0]
})
print(player_absence_loss(data, "star_played", "win", "核心A"))

⚠️ 缺点：没考虑对手强度、主客场、样本量，下面用模型法修正。

进阶版：控制变量的回归法

把"对手强度、主客场、休息天数"作为控制变量，剥离出球员的净贡献。

import statsmodels.api as sm
def regression_loss(df):
    """
    需要的列：
      win       : 比赛结果 1/0
      star      : 主力是否出场 1/0
      opp_str   : 对手强度（如对手胜率 / Elo）
      home      : 是否主场 1/0
      rest_days : 休息天数
    """
    X = df[["star", "opp_str", "home", "rest_days"]]
    X = sm.add_constant(X)
    y = df["win"]
    model = sm.Logit(y, X).fit(disp=0)
    # star 的系数 -> 边际效应，即"主力在场带来的胜率提升"
    coef = model.params["star"]
    marginal = model.get_margeff().margeff[0]
    return {
        "star_coef(logit)": round(coef, 4),
        "star_marginal_effect": round(marginal, 4),
        "解读": f"主力在场，胜率平均提升 {marginal*100:.1f}%"
    }
# 假设 df 已准备好
# print(regression_loss(df))

体育场景专用：RAPM / 加时分解

篮球、足球更常用 RAPM（Regularized Adjusted Plus-Minus） 或 Goals Added：

from sklearn.linear_model import Ridge
def rapm_loss(df, player_cols, margin_col, opp_col):
    """
    df: 每个回合/每场比赛一行
    player_cols: 每个球员的 dummy（在场=1）
    margin_col : 我方净胜分
    opp_col    : 对手强度
    """
    X = df[player_cols + [opp_col]].values
    y = df[margin_col].values
    model = Ridge(alpha=1.0).fit(X, y)
    result = pd.DataFrame({
        "球员": player_cols,
        "RAPM值": model.coef_[:len(player_cols)]
    }).sort_values("RAPM值", ascending=False)
    return result
# 缺阵损失 ≈ 该球员的 RAPM × 预期上场时间占比

快速估算：替代球员折价法

如果你只想快速拍一个数字：

def quick_loss(star_value, replacement_value, minutes_share):
    """
    star_value       : 主力每36分钟贡献值（得分/助失比/Elo等）
    replacement_value: 替补同指标
    minutes_share    : 主力占球队时间比例（如 0.30）
    """
    gap = (star_value - replacement_value) * minutes_share
    return round(gap, 3)
print(quick_loss(star_value=25.0, replacement_value=10.0, minutes_share=0.30))
# 输出 4.5 -> 相当于球队每场少 4.5 分

场景速查表

场景	推荐方法	输出指标
NBA/足球赛前预测	RAPM + 回归	净胜分损失
电竞战队BO3	胜率差值 + 对手强度分层	胜率损失%
项目团队	历史交付回归	延期天数/人天
快速估算	替代折价法	单一数值