这个python案例怎么看双方射门转化率差异？

wen python案例 2026-10-15 4

如何看双方射门转化率差异（Python案例解析）

在足球数据分析中，射门转化率 = 进球数 / 射门数，下面给你一个完整的 Python 案例和分析思路。

核心思路

看双方转化率差异,一般分三层：

数值对比：两队转化率谁高谁低、差多少
显著性检验：这个差异是真实水平，还是运气/样本小造成的？
可视化：直观看差距

完整代码案例

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import chi2_contingency, fisher_exact
# 示例数据：某场比赛两队射门与进球
data = {
    "球队": ["A队", "B队"],
    "射门数": [18, 9],
    "进球数": [3, 1],
}
df = pd.DataFrame(data)
df["转化率"] = df["进球数"] / df["射门数"]
df["转化率%"] = (df["转化率"] * 100).round(1)
print(df)

输出示例：

   球队  射门数  进球数   转化率  转化率%
0  A队    18     3  0.1667   16.7
1  B队     9     1  0.1111   11.1

怎么读：A 队转化率 16.7% 高于 B 队 11.1%，绝对差 5.6 个百分点,但要进一步判断这个差异是否可靠。

判断差异是否显著（关键一步）

足球射门样本往往很小，光看百分比容易误判，用 卡方检验 或 Fisher 精确检验：

# 构建列联表：[[进球, 未进球], [进球, 未进球]]
table = [
    [df.loc[0, "进球数"], df.loc[0, "射门数"] - df.loc[0, "进球数"]],
    [df.loc[1, "进球数"], df.loc[1, "射门数"] - df.loc[1, "进球数"]],
]
# 卡方检验
chi2, p_chi, dof, expected = chi2_contingency(table)
# Fisher 精确检验（小样本更合适）
oddsratio, p_fisher = fisher_exact(table)
print(f"卡方检验 p = {p_chi:.3f}")
print(f"Fisher 检验 p = {p_fisher:.3f}")

判断标准：

p < 0.05 → 差异显著，两队转化能力有实质区别
p ≥ 0.05 → 差异不显著，可能只是运气/样本波动

⚠️ 单场比赛的小样本几乎永远不显著，所以分析转化率时最好用整赛季或一段时间的累计数据。

可视化对比

fig, axes = plt.subplots(1, 2, figsize=(10, 4))
# 左图：转化率柱状图
axes[0].bar(df["球队"], df["转化率%"], color=["#1f77b4", "#ff7f0e"])
axes[0].set_title("射门转化率对比")
axes[0].set_ylabel("转化率 (%)")
for i, v in enumerate(df["转化率%"]):
    axes[0].text(i, v + 0.3, f"{v}%", ha="center")
# 右图：射门/进球堆叠
axes[1].bar(df["球队"], df["进球数"], label="进球", color="green")
axes[1].bar(df["球队"], df["射门数"] - df["进球数"],
            bottom=df["进球数"], label="未进球", color="lightgray")
axes[1].set_title("射门构成")
axes[1].legend()
plt.tight_layout()
plt.show()

分析时容易踩的坑

坑	说明
样本太小	单场 9 脚射门进 1 球，不能说转化率"差"，波动极大
忽视射门质量	点球、禁区内、远射难度完全不同，应加权（xG 思路）
只比百分比	6 个百分点的差距在 20 脚以内样本里毫无统计意义
忽略比赛情境	落后方狂攻射门多，转化率反而可能被拉低