python案例认为核心缺阵影响能量化吗？

wen python案例 2026-10-25 1

本文目录导读：

可量化的维度
核心量化方法：On/Off 拆分
进阶：控制混杂因素（回归模型）
更精细：On/Off 每百回合（需回合级数据）
结论：能量化，但有边界

用Python案例来分析“核心球员缺阵对球队的影响”，能不能做到量化？ 答案是：完全可以量化，而且Python非常适合做这件事。 下面我给你一个完整的思路和可运行的案例框架。

可量化的维度

核心缺阵的影响可以从以下几个层面量化：

维度	量化指标	数据来源
球队战绩	胜率变化、净胜分变化	比赛结果
进攻端	百回合得分、助攻率、有效命中率	技术统计
防守端	百回合失分、对手命中率	技术统计
球员替代	替补球员PER、正负值	球员数据
阵容组合	在场/不在场净效率差（On/Off）	回合数据
统计显著性	t检验、置信区间	计算结果

核心量化方法：On/Off 拆分

最直接的量化方式是对比“核心在场”与“核心缺阵”两组比赛的指标差异,并做统计检验。

import pandas as pd
import numpy as np
from scipy import stats
# 假设 df 每行是一场比赛，含球队指标和核心是否出战
# 列：game_id, star_played(1/0), pts, opp_pts, fg_pct, ast, pace...
df['net_rating'] = df['pts'] - df['opp_pts']
# 分组
with_star = df[df['star_played'] == 1]['net_rating']
without_star = df[df['star_played'] == 0]['net_rating']
# 描述统计
print("核心在场 净胜分均值:", with_star.mean().round(2))
print("核心缺阵 净胜分均值:", without_star.mean().round(2))
print("影响量化值:", (with_star.mean() - without_star.mean()).round(2))
# 独立样本 t 检验（判断差异是否显著）
t_stat, p_value = stats.ttest_ind(with_star, without_star, equal_var=False)
print(f"t={t_stat:.2f}, p={p_value:.3f}")

p < 0.05，说明缺阵影响在统计上显著,不是偶然波动。

进阶：控制混杂因素（回归模型）

单纯对比会有偏差（比如缺阵时对手更强）,用回归控制其他变量：

import statsmodels.api as sm
X = df[['star_played', 'opp_strength', 'home_game', 'rest_days']]
X = sm.add_constant(X)
y = df['net_rating']
model = sm.OLS(y, X).fit()
print(model.summary())
# star_played 的系数 = 控制其他因素后，核心出战的净胜分增量

系数即“核心缺阵的净影响”,且带显著性检验。

更精细：On/Off 每百回合（需回合级数据）

用 pbp（play-by-play）数据计算球员在场时球队每百回合净效率：

# 思路伪代码
# 1. 标记每个回合核心是否在场
# 2. 分别汇总在场/不在场的得分与回合数
# 3. on_court_net = pts_for/poss*100 - pts_against/poss*100
# 4. off_court_net 同理
# 5. on_off_diff = on_court_net - off_court_net

这是NBA分析中最标准的“On/Off 差值”,直接量化核心价值。