python案例认为进攻效率如何量化评估？

wen python案例 2026-10-30 1

进攻效率的量化评估方法（Python案例）

进攻效率的量化评估是体育数据分析（尤其是篮球、足球）的核心问题，下面从指标体系、计算逻辑、Python实现三个层面展开。

进攻效率的核心指标

篮球领域（最成熟的体系）

指标	含义	公式
ORtg（进攻效率）	每100回合得分	`100 × 得分 / 回合数`
PPP（每回合得分）	单回合产出	`得分 / 回合数`
eFG%（有效命中率）	考虑三分加权	`(FGM + 0.5×3PM) / FGA`
TOV%（失误率）	每回合失误	`TOV / 回合数`
ORB%（前场篮板率）	二次进攻能力	`ORB / (ORB + 对手DRB)`
FT Rate（罚球率）	造犯规能力	`FTA / FGA`

四要素模型（Dean Oliver）：进攻效率 ≈ eFG% − TOV% + ORB% + FT Rate，这是评估进攻的经典框架。

足球领域

xG（预期进球）：基于射门位置、方式估算进球概率
xA（预期助攻）、Progressive Passes（推进传球）
进攻三区传球成功率、每90分钟射门数（Shots/90）

Python 实现案例

案例1：篮球球队进攻效率（四要素模型）

import pandas as pd
import numpy as np
# 模拟一支球队10场比赛的技术统计
data = {
    'game': range(1, 11),
    'FGM':  [40, 38, 42, 35, 45, 41, 39, 44, 37, 43],   # 命中数
    'FGA':  [85, 88, 80, 90, 82, 86, 84, 81, 89, 83],   # 出手数
    '3PM':  [12, 10, 15, 8, 16, 13, 11, 14, 9, 15],     # 三分命中
    'FTA':  [20, 18, 25, 15, 22, 19, 21, 24, 17, 23],   # 罚球出手
    'TOV':  [14, 16, 12, 18, 11, 15, 13, 12, 17, 14],   # 失误
    'ORB':  [10, 8, 12, 7, 11, 9, 10, 13, 8, 11],       # 前场篮板
    'OppDRB': [30, 32, 28, 34, 29, 31, 30, 27, 33, 29], # 对手后场篮板
    'PTS':  [112, 104, 121, 96, 126, 113, 108, 122, 101, 119], # 总得分
    'POSS': [98, 102, 95, 105, 96, 100, 99, 94, 103, 97]  # 回合数
}
df = pd.DataFrame(data)
# ---- 四要素计算 ----
df['eFG%']   = (df['FGM'] + 0.5 * df['3PM']) / df['FGA']
df['TOV%']   = df['TOV'] / df['POSS']
df['ORB%']   = df['ORB'] / (df['ORB'] + df['OppDRB'])
df['FT_Rate']= df['FTA'] / df['FGA']
# ---- 进攻效率（每100回合得分）----
df['ORtg'] = 100 * df['PTS'] / df['POSS']
# ---- 四要素加权综合评分（标准化后加权）----
def zscore(s): return (s - s.mean()) / s.std()
df['Offense_Score'] = (
    zscore(df['eFG%']) * 0.4 +
    zscore(-df['TOV%']) * 0.25 +    # 失误越低越好
    zscore(df['ORB%']) * 0.2 +
    zscore(df['FT_Rate']) * 0.15
)
print(df[['game','ORtg','eFG%','TOV%','ORB%','FT_Rate','Offense_Score']].round(3))
print(f"\n赛季平均 ORtg: {df['ORtg'].mean():.2f}")

输出解读：ORTG 越高越好，四要素中 eFG% 权重最大（命中率是进攻核心），TOV% 为负向指标。

案例2：球员级进攻效率（含使用率修正）

单纯看 PPP 会偏向角色球员（出手少、机会好），需结合 Usage%（使用率） 修正。

import pandas as pd
players = pd.DataFrame({
    'player': ['A','B','C','D','E'],
    'PTS':  [28, 18, 12, 22, 8],
    'FGA':  [20, 14, 8, 16, 5],
    'FTA':  [8, 4, 2, 6, 1],
    'TOV':  [4, 2, 1, 3, 1],
    'POSS_USED': [45, 35, 20, 40, 12],  # 球员参与的回合数
    'TEAM_POSS': [100, 100, 100, 100, 100]
})
# 使用率
players['USG%'] = players['POSS_USED'] / players['TEAM_POSS']
# 每回合得分
players['PPP'] = players['PTS'] / players['POSS_USED']
# 真实命中率 TS% = PTS / (2*(FGA + 0.44*FTA))
players['TS%'] = players['PTS'] / (2 * (players['FGA'] + 0.44 * players['FTA']))
# 综合进攻效率：PPP 结合使用率（高使用率下维持高PPP更有价值）
players['Weighted_Eff'] = players['PPP'] * (0.5 + 0.5 * players['USG%'])
print(players[['player','USG%','PPP','TS%','Weighted_Eff']].round(3))

要点：Weighted_Eff 对高使用率球员给予加成，避免“替补刷效率”的偏差。

案例3：足球 xG 进攻效率

import pandas as pd
shots = pd.DataFrame({
    'team': ['A','A','A','B','B','B','B'],
    'xg':   [0.35, 0.10, 0.05, 0.20, 0.08, 0.45, 0.02],
    'goal': [1, 0, 0, 0, 1, 1, 0]
})
# 进攻效率：实际进球 vs 预期进球
agg = shots.groupby('team').agg(
    shots=('xg','count'),
    total_xG=('xg','sum'),
    goals=('goal','sum')
)
agg['xG_diff'] = agg['goals'] - agg['total_xG']   # 正=超常发挥
agg['conv_rate'] = agg['goals'] / agg['shots']    # 转化率
print(agg.round(2))

评估框架建议

量化进攻效率应分层递进：

基础层：得分/回合（ORtg、PPP）——直观但受节奏影响
分解层：四要素 / xG 拆解——定位问题（是投篮差还是失误多？）
情境层：结合 使用率、对手强度、垃圾时间过滤——避免偏差
模型层：用 RAPM（正则化调整正负值） 或 岭回归 剥离队友影响，得到"独立进攻贡献"

# 简易 RAPM 思路（岭回归剥离队友/对手效应）
from sklearn.linear_model import Ridge
# X: 每回合球员是否在场的哑变量; y: 每回合得分差
# model = Ridge(alpha=1.0).fit(X, y)
# 系数即为调整后的进攻贡献

关键陷阱提醒

陷阱	说明	对策
节奏混淆	快节奏球队得分虚高	用每100回合、PPP 归一化
样本量小	单场数据波动大	滚动平均、贝叶斯收缩
使用率偏差	角色球员效率虚高	USG% 加权
对手强度	打弱队数据好	对手强度调整
选择性偏差	垃圾时间刷数据	过滤分差>15分的时段

进攻效率量化的核心是 "产出/回合"归一化 + 多维分解 + 情境修正，Python 中用 pandas 做指标计算、用 scikit-learn 做调整模型（Ridge/RAPM），即可构建从基础到进阶的完整评估体系，需要我针对某个具体场景（如某支球队赛季分析、或球员对比）给出完整可运行代码吗？