本文目录导读：
你提到的“实用脚本复盘”我理解为你想要一套可复用的分析框架/脚本思路，用来复盘“伤病潮是否拖累球队”，下面给你一个完整的复盘框架（含数据口径、分析脚本逻辑、结论模板），你可以直接套用到篮球/足球等团队项目。
先定义问题：什么叫“拖累”
“伤病潮拖累球队”要拆成三个可检验的假设：
- 可用性假设：伤病导致核心球员缺阵场次显著增加 → 阵容稳定性下降。
- 表现假设：缺阵期间球队战绩/攻防效率显著低于健康期。
- 因果假设：上述下滑不能由赛程强度、对手水平、主客场等混杂因素解释。
只有三条都成立，才能说“拖累”，否则可能只是“相关”。
数据准备（最小可用数据集）
按比赛级别整理一张表,每行一场比赛：
| 字段 | 说明 |
|---|---|
| game_id, date | 比赛标识 |
| team, opponent | 球队/对手 |
| home_away | 主客场 |
| rest_days | 休息天数 |
| opp_strength | 对手赛前胜率/评级 |
| injured_players | 缺阵球员列表 |
| injured_star_minutes | 缺阵球员本赛季场均分钟（加权） |
| injured_war | 缺阵球员的替代价值（如 BPM/WAR/EPM 加权） |
| team_rating | 本场净效率/净胜分 |
| win | 胜负 |
关键口径：
- “伤病潮”建议用滚动窗口定义：过去 7 天缺阵的“加权分钟”超过赛季均值 +1 个标准差。
- 缺阵价值不要只数人头，要用分钟加权 + 球星权重（top3 球员缺阵单独标记）。
分析脚本逻辑（伪代码）
# 1. 构造伤病强度指标
df["injury_load"] = df["injured_star_minutes"] + 0.5 * df["injured_role_minutes"]
df["injury_z"] = (df["injury_load"] - df["injury_load"].mean()) / df["injury_load"].std()
df["injury_wave"] = df["injury_z"] > 1.0 # 伤病潮标记
# 2. 分组对比（描述性）
healthy = df[~df["injury_wave"]]
injured = df[df["injury_wave"]]
compare = {
"win_rate": (healthy["win"].mean(), injured["win"].mean()),
"net_rating": (healthy["team_rating"].mean(), injured["team_rating"].mean()),
"n_games": (len(healthy), len(injured))
}
# 3. 控制混杂：回归/匹配
# 因变量：team_rating 或 win
# 自变量：injury_wave + opp_strength + home_away + rest_days + 赛季阶段
model = ols("team_rating ~ injury_wave + opp_strength + home_away + rest_days + C(month)", data=df).fit()
print(model.summary()) # 看 injury_wave 系数是否显著为负
# 4. 稳健性：倾向得分匹配 / 固定效应
# 用对手强度、主客场、休息天数做匹配，比较“同等条件下”伤病潮与健康期的表现差
# 5. 分球员拆解：谁缺阵时下滑最大
for star in stars:
sub = df[df["injured_players"].apply(lambda x: star in x)]
print(star, sub["team_rating"].mean() - healthy["team_rating"].mean())
核心输出三张表：
- 健康期 vs 伤病潮期：胜率、净效率、百回合得分/失分。
- 回归系数：控制赛程/对手后,伤病潮的边际效应。
- 球员拆解：哪名球员缺阵时球队下滑最明显（识别“真核”）。
结论模板（直接填数）
本赛季球队共出现 N 段伤病潮（滚动加权缺阵分钟 > 均值+1σ），覆盖 M 场比赛。
伤病潮期间胜率 x%，健康期 y%；净效率 a vs b（每百回合）。
控制对手强度、主客场、休息天数后，伤病潮使净效率下降 Δ 分（p=p）。
拆解显示，球员A缺阵时下滑最大（-k 分/百回合），是主要拖累源；角色球员缺阵影响不显著。
：伤病潮对战绩有显著/不显著拖累，主要机制是核心缺阵导致进攻/防守端效率下降,而非赛程偶然。
常见坑（复盘时务必排除）
- 把弱队赛程当伤病效应：伤病潮常与强敌赛程重叠,必须控制对手强度。
- 只数缺阵人数：缺 3 个替补和缺 1 个核心不是一回事，要用分钟/价值加权。
- 小样本：伤病潮可能只有 5–8 场，置信区间很宽，结论要写“方向性”而非“确定性”。
- 反向因果：战绩差 → 主力带伤硬打 → 后续伤病,需看时间顺序。
- 回归均值：伤病潮前若赛程偏易,下滑可能部分是均值回归。
如果你告诉我具体项目（篮球/足球）、能拿到的数据字段（是否有球员出场/缺阵、±值、赔率等），我可以把上面的伪代码改成可直接运行的 Python/R 脚本,并给出针对你数据的字段映射和图表清单。
