本文目录导读：
你提到的“赛后python案例”我不太确定具体指哪一份数据或代码——可能是某场比赛的跑动数据、球员体能分布，或者某个运动科学的分析脚本，不过我可以先按“用Python分析赛后体能分配是否合理”这个典型场景，给你一个可操作的判断框架和代码示例，你再对照你的数据看结论。
判断体能分配是否合理的核心指标
- 总跑动距离 vs 比赛时间：是否出现前高后低断崖。
- 高强度跑（冲刺/高速跑）的时间分布：通常合理区间是下半场不低于上半场的 85%–90%（因战术/比分会有波动）。
- 每15分钟分段跑动：看衰减斜率，而不是只看总量。
- 恢复指标：心率恢复、血乳酸、GPS的Player Load。
- 位置差异：边后卫/中场衰减通常比中后卫明显，不能一刀切。
Python 快速分析模板
import pandas as pd
import numpy as np
# 假设 df 列: player, position, minute_bin(0-15,15-30,...), distance_m, high_speed_m, sprints
df = pd.read_csv("post_match_gps.csv")
# 1) 分段汇总
seg = df.groupby(["player","position","minute_bin"]).agg(
dist=("distance_m","sum"),
hs=("high_speed_m","sum"),
spr=("sprints","sum")
).reset_index()
# 2) 上下半场对比
def half(bin_):
return "1H" if bin_ in ["0-15","15-30","30-45"] else "2H"
seg["half"] = seg["minute_bin"].apply(half)
half_cmp = seg.groupby(["player","half"]).agg(
dist=("dist","sum"), hs=("hs","sum"), spr=("spr","sum")
).unstack()
half_cmp.columns = ["_".join(c) for c in half_cmp.columns]
half_cmp["dist_ratio_2H_1H"] = half_cmp["dist_2H"] / half_cmp["dist_1H"]
half_cmp["hs_ratio_2H_1H"] = half_cmp["hs_2H"] / half_cmp["hs_1H"]
half_cmp["spr_ratio_2H_1H"] = half_cmp["spr_2H"] / half_cmp["spr_1H"]
# 3) 分段衰减斜率（线性回归斜率，负值越大衰减越明显）
def slope(g):
x = np.arange(len(g))
return np.polyfit(x, g["dist"].values, 1)[0]
slopes = seg.groupby("player").apply(slope).rename("dist_slope")
# 4) 合理性标记（示例阈值，需按联赛/位置校准）
res = half_cmp.join(slopes)
res["flag"] = np.where(
(res["hs_ratio_2H_1H"] < 0.85) | (res["dist_slope"] < -80),
"可能不合理：下半场衰减明显", "基本合理"
)
print(res.sort_values("hs_ratio_2H_1H"))
怎么读结果
- hs_ratio_2H_1H < 0.85：高强度跑下半场掉太多，可能是体能分配前松后紧或前紧后崩。
- dist_slope 很负：每15分钟跑动持续下降，说明没有做好节奏控制。
- 个别球员异常：先看位置和战术角色（比如被换下、少打一人、领先收缩），再下结论。
- 全队层面：如果多数人 ratio 在 0.9–1.05，且分段曲线平稳，通常算合理；若普遍 <0.85，则体能分配或训练负荷可能有问题。
需要你补充的信息
如果你把具体的赛后数据列名、样本量（几人几场）、运动项目（足球/篮球/橄榄球）发我，我可以直接帮你跑一遍并给出“合理/不合理”的结论和问题球员名单，另外如果你说的“赛后python案例”是某个公开案例（比如某场比赛的GPS分析），把链接或数据截图发我，我按那个案例来对标判断。
