这个python案例怎么看双方射门转化率差异？

如何分析双方射门转化率差异

在Python中分析足球比赛双方射门转化率（进球数 / 射门数）差异，通常需要以下几个步骤，下面给你一个完整的思路和示例代码。

核心指标

# 射门转化率 = 进球数 / 射门数
conversion_rate = goals / shots

对比双方时通常关注：

• 绝对差异：主队转化率 - 客队转化率
• 相对差异：(主队转化率 - 客队转化率) / 客队转化率
• 显著性检验：这个差异是真实实力体现，还是运气波动？

基础对比示例

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 示例数据
data = {
    'team': ['主队', '客队'],
    'shots': [15, 8],
    'shots_on_target': [6, 3],
    'goals': [2, 1]
}
df = pd.DataFrame(data)
# 计算转化率
df['conversion_rate'] = df['goals'] / df['shots']
df['on_target_rate'] = df['shots_on_target'] / df['shots']
df['conversion_per_ontarget'] = df['goals'] / df['shots_on_target']
print(df)

输出：

  team  shots  shots_on_target  goals  conversion_rate  on_target_rate  conversion_per_ontarget
0  主队     15                6      2         0.133333        0.400000                 0.333333
1  客队      8                3      1         0.125000        0.375000                 0.333333

可视化对比

fig, axes = plt.subplots(1, 3, figsize=(14, 4))
metrics = ['conversion_rate', 'on_target_rate', 'conversion_per_ontarget']s = ['射门转化率', '射正率', '射正转化率']
for ax, m, t in zip(axes, metrics, titles):
    ax.bar(df['team'], df[m], color=['#e74c3c', '#3498db'])
    ax.set_title(t)
    ax.set_ylim(0, max(df[m]) * 1.3)
    for i, v in enumerate(df[m]):
        ax.text(i, v + 0.005, f'{v:.1%}', ha='center')
plt.tight_layout()
plt.show()

判断差异是否"显著"

小样本下转化率差异很容易受运气影响,推荐用卡方检验或泊松检验：

from scipy.stats import chi2_contingency
# 列联表：[[主队进球, 主队未进球], [客队进球, 客队未进球]]
table = [
    [df.loc[0, 'goals'], df.loc[0, 'shots'] - df.loc[0, 'goals']],
    [df.loc[1, 'goals'], df.loc[1, 'shots'] - df.loc[1, 'goals']]
]
chi2, p, dof, expected = chi2_contingency(table)
print(f"卡方值 = {chi2:.3f}, p值 = {p:.3f}")
if p < 0.05:
    print("双方转化率差异显著")
else:
    print("差异不显著，可能只是运气")

对于单场比赛,样本量通常太小，p值几乎都会 > 0.05，这是正常的。

看转化率差异的实战建议

进阶：用 xG 校正

更专业的做法是使用 xG（预期进球） 代替实际转化率：

df['xg_conversion'] = df['goals'] / df['xg']  # 实际进球 / 预期进球
# >1 表示把握机会能力强，<1 表示浪费机会

总结一句话：看转化率差异 = 先算 goals/shots 对比数值，再用卡方/泊松检验判断差异是否显著，最后结合射正率、xG 等指标理解差异来源，避免被小样本的"运气"误导。

需要我针对你具体的比赛数据写一段可直接运行的代码吗？