python案例如何评估夏窗引援的性价比？

wen python案例 2026-10-21 3

用Python评估足球夏窗引援性价比：一个完整案例

评估引援性价比的核心是：用合理的成本买到符合球队需要的产出，下面用一个可运行的Python案例,从数据建模到可视化完整走一遍。

评估框架设计

性价比 = 产出 / 成本,但需要拆解：

维度	指标	说明
成本	转会费、年薪、签字费、经纪人佣金	折算为"年均总成本"
产出	进球、助攻、关键传球、抢断、拦截、出场时间	需按位置加权
风险	伤病史、年龄、联赛适应度	折价因子
适配	与球队战术、位置缺口匹配度	需求系数

核心公式：

性价比得分 = (产出评分 × 适配系数 × 健康系数) / 年均成本

数据准备（示例数据）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 模拟某队夏窗5名引援的数据
data = {
    'player': ['A前锋', 'B中场', 'C后卫', 'D边锋', 'E门将'],
    'position': ['FW', 'MF', 'DF', 'FW', 'GK'],
    'transfer_fee': [50, 30, 25, 15, 8],        # 百万欧元
    'annual_wage': [10, 8, 6, 4, 3],            # 百万欧元/年
    'contract_years': [5, 4, 4, 3, 3],
    'age': [24, 26, 23, 22, 28],
    'goals': [18, 6, 1, 10, 0],
    'assists': [5, 9, 2, 7, 0],
    'key_passes': [40, 65, 15, 55, 2],
    'tackles': [10, 45, 70, 20, 3],
    'interceptions': [5, 30, 55, 10, 2],
    'minutes': [2800, 2600, 2900, 2200, 2700],
    'injury_days_last3y': [30, 15, 60, 10, 5],
    'appearances': [32, 30, 33, 26, 30]
}
df = pd.DataFrame(data)

成本模型：年均总成本

def annual_cost(row):
    # 转会费按合同年限摊销 + 年薪 + 10%隐性成本(佣金/签字费)
    amortization = row['transfer_fee'] / row['contract_years']
    hidden = row['transfer_fee'] * 0.1 / row['contract_years']
    return amortization + row['annual_wage'] + hidden
df['annual_cost'] = df.apply(annual_cost, axis=1)
# 单位：百万欧元/年

关键点：转会费必须摊销,否则5000万签5年和5000万签2年的性价比会被误判。

产出评分：按位置加权

不同位置贡献方式不同,不能简单相加。

# 位置权重（可根据球队战术调整）
weights = {
    'FW': {'goals': 3.0, 'assists': 2.0, 'key_passes': 0.5,
           'tackles': 0.1, 'interceptions': 0.1},
    'MF': {'goals': 1.5, 'assists': 2.5, 'key_passes': 1.0,
           'tackles': 1.0, 'interceptions': 1.0},
    'DF': {'goals': 0.5, 'assists': 0.5, 'key_passes': 0.3,
           'tackles': 2.0, 'interceptions': 2.0},
    'GK': {'goals': 0, 'assists': 0.2, 'key_passes': 0,
           'tackles': 0.5, 'interceptions': 0.5},
}
def raw_output(row):
    w = weights[row['position']]
    # 按90分钟标准化，避免出场少的被低估
    per90 = row['minutes'] / 90
    score = sum(row[k] * w[k] for k in w) / per90 * 90
    return score
df['raw_output'] = df.apply(raw_output, axis=1)
# 归一化到0-100
df['output_score'] = (df['raw_output'] / df['raw_output'].max()) * 100

风险与适配系数

# 1. 健康系数：过去3年伤病天数越多，折价越大
df['health_factor'] = np.clip(1 - df['injury_days_last3y'] / 180, 0.5, 1.0)
# 2. 年龄系数：24-27岁为巅峰，过小或过大折价
def age_factor(age):
    if 24 <= age <= 27: return 1.0
    elif age < 24: return 0.9   # 潜力未兑现风险
    else: return max(0.7, 1 - (age - 27) * 0.05)
df['age_factor'] = df['age'].apply(age_factor)
# 3. 适配系数：假设球队急需前锋和中场(位置缺口)
team_needs = {'FW': 1.2, 'MF': 1.1, 'DF': 0.9, 'GK': 0.8}
df['fit_factor'] = df['position'].map(team_needs)

综合性价比得分

df['value_score'] = (
    df['output_score']
    * df['health_factor']
    * df['age_factor']
    * df['fit_factor']
    / df['annual_cost']
)
# 归一化展示
df['value_score_norm'] = (df['value_score'] / df['value_score'].max() * 100).round(1)
df['value_score_norm'] = df['value_score_norm'].round(1)
print(df[['player', 'annual_cost', 'output_score',
          'health_factor', 'fit_factor', 'value_score_norm']]
      .sort_values('value_score_norm', ascending=False))

可视化：性价比四象限图

用"成本 vs 产出"做散点，气泡大小=性价比，快速识别"高性价比"和"溢价"。

plt.figure(figsize=(10, 7))
scatter = plt.scatter(
    df['annual_cost'], df['output_score'],
    s=df['value_score_norm'] * 15,
    c=df['value_score_norm'], cmap='RdYlGn',
    alpha=0.8, edgecolors='black'
)
for _, row in df.iterrows():
    plt.annotate(row['player'], (row['annual_cost'], row['output_score']),
                 xytext=(5, 5), textcoords='offset points')
# 分界线取中位数
plt.axvline(df['annual_cost'].median(), color='gray', ls='--', alpha=0.5)
plt.axhline(df['output_score'].median(), color='gray', ls='--', alpha=0.5)
plt.xlabel('年均总成本 (百万欧元/年)')
plt.ylabel('产出评分 (0-100)')'夏窗引援性价比四象限图')
plt.colorbar(scatter, label='性价比得分')
plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()

四象限解读：