本文目录导读：
常见的赛后Python分析案例框架
典型流程：
from nba_api.stats.endpoints import leaguegamelog import pandas as pd # 1. 抓取赛季比赛日志 df = leaguegamelog.LeagueGameLog(season='2024-25').get_data_frames()[0] # 2. 计算进攻/防守效率、净胜分 # 3. 按球队聚合，看四要素（eFG%、TOV%、ORB%、FTr） # 4. 可视化：雷达图、散点图（进攻效率 vs 防守效率） # 5. 预测季后赛概率（Elo / 回归模型）
常见分析维度：
- 四要素（Dean Oliver）：有效命中率、失误率、进攻篮板率、罚球率
- 节奏（Pace）与效率（Off/Def Rating）
- 阵容组合净效率（Lineup Net Rating）
- 关键时刻（Clutch）表现
- 球员追踪数据（Second Spectrum）
新赛季格局变化（2024-25 → 2025-26 趋势）
西部：从“双核垄断”到“群雄割据”
| 球队 | 变化 |
|---|---|
| 雷霆 | 青年军成熟，SGA+切特+杰威三核，防守效率联盟顶级，稳居第一梯队 |
| 掘金 | 约基奇仍是天花板，但阵容深度流失，需靠体系维持 |
| 森林狼 | 爱德华兹进化，但薪资空间压力大，交易唐斯后进入新体系 |
| 独行侠 | 东契奇被交易后进入重建/重组，格局被打乱 |
| 火箭/马刺 | 年轻核心（申京、文班）快速成长，冲击季后赛 |
东部：凯尔特人一枝独秀，但挑战者增多
- 凯尔特人：塔图姆+布朗+怀特+霍勒迪，攻防一体，仍是夺冠最大热门
- 尼克斯：布里奇斯加盟，锋线防守升级
- 76人：恩比德健康是最大变量
- 骑士/魔术：年轻球队崛起，常规赛战绩亮眼
打法趋势变化（Python数据可验证）
- 三分出手占比继续上升，但中距离回归（如雷霆、凯尔特人）
- 换防型锋线价值飙升，传统中锋地位分化
- 节奏（Pace） 整体放缓，防守赢得比赛
- 负荷管理常态化，球星出场数影响季后赛格局
如何用Python量化这些变化
# 对比两个赛季的联盟趋势
df_old = leaguegamelog.LeagueGameLog(season='2023-24').get_data_frames()[0]
df_new = leaguegamelog.LeagueGameLog(season='2024-25').get_data_frames()[0]
# 三分出手占比
df_new['FG3A_rate'] = df_new['FG3A'] / df_new['FGA']
# 按球队聚合看趋势
team_trend = df_new.groupby('TEAM_NAME').agg({
'FG3A_rate': 'mean',
'PTS': 'mean'
}).sort_values('FG3A_rate', ascending=False)
可以进一步做：
- 聚类分析：把球队分成“三分大队/内线大队/均衡型”
- 回归模型：净效率 vs 胜率，找超额表现球队
- Elo模型：实时更新夺冠概率
新赛季格局关键词
西部：雷霆领跑，掘金/森林狼/火箭混战，独行侠重组
东部：凯尔特人独档，尼克斯/76人/骑士追赶
打法：三分+换防+中距离回归，防守决定上限
数据：用Python抓取nba_api，做四要素+净效率+聚类分析，就能量化这些变化
如果你有具体的赛后数据案例（比如某场比赛的play-by-play、某队赛季数据），可以把数据或代码发我，我帮你做针对性的格局分析，你关注的是NBA还是其他联赛（CBA、欧冠）？
