综合python案例，点球命中率对比如何？

Python 案例分析：点球命中率对比

下面用 Python 构建一个完整的点球命中率对比分析案例，涵盖数据模拟、可视化与统计检验。

案例背景

对比不同球队/球员/情境下的点球命中率，

• 不同球队的点球命中率
• 主罚球员之间的对比
• 常规时间 vs 点球大战
• 不同联赛/赛事对比

代码实现

数据模拟

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
np.random.seed(42)
# 模拟5支球队的点球数据（射门数、命中数）
teams = ['球队A', '球队B', '球队C', '球队D', '球队E']
attempts = [120, 95, 150, 80, 110]           # 总点球数
true_rates = [0.78, 0.72, 0.85, 0.68, 0.80]  # 真实命中率
goals = [np.random.binomial(n, p) for n, p in zip(attempts, true_rates)]
df = pd.DataFrame({
    '球队': teams,
    '点球数': attempts,
    '命中数': goals,
})
df['命中率'] = df['命中数'] / df['点球数']
df['命中率%'] = (df['命中率'] * 100).round(1)
print(df)

输出示例：

可视化对比

plt.figure(figsize=(10, 6))
sns.barplot(data=df, x='球队', y='命中率%', palette='viridis')
plt.axhline(df['命中率%'].mean(), color='red', linestyle='--', label=f'平均 {df["命中率%"].mean():.1f}%')'各球队点球命中率对比')
plt.ylabel('命中率 (%)')
plt.legend()
plt.tight_layout()
plt.show()

置信区间（Wilson 方法更稳健）

def wilson_ci(k, n, z=1.96):
    p = k / n
    denom = 1 + z**2 / n
    center = (p + z**2 / (2*n)) / denom
    margin = z * np.sqrt(p*(1-p)/n + z**2/(4*n**2)) / denom
    return center - margin, center + margin
df[['CI_low', 'CI_high']] = df.apply(
    lambda r: pd.Series(wilson_ci(r['命中数'], r['点球数'])), axis=1
)
df['CI'] = df.apply(lambda r: f"[{r.CI_low*100:.1f}%, {r.CI_high*100:.1f}%]", axis=1)
print(df[['球队', '命中率%', 'CI']])

卡方检验：各队命中率是否有显著差异

contingency = np.array([goals, np.array(attempts) - np.array(goals)]).T
chi2, p, dof, _ = stats.chi2_contingency(contingency)
print(f"卡方值={chi2:.2f}, p值={p:.4f}")
if p < 0.05:
    print("各队点球命中率存在显著差异")
else:
    print("各队点球命中率无显著差异")

两两对比（Fisher 精确检验 / 卡方）

from itertools import combinations
results = []
for (i, a), (j, b) in combinations(df.iterrows(), 2):
    table = [[a['命中数'], a['点球数']-a['命中数']],
             [b['命中数'], b['点球数']-b['命中数']]]
    _, p = stats.fisher_exact(table)
    results.append((a['球队'], b['球队'], p))
pairs = pd.DataFrame(results, columns=['队1', '队2', 'p值'])
pairs['显著差异'] = pairs['p值'] < 0.05
print(pairs.sort_values('p值'))

贝叶斯视角（Beta 后验分布）

from scipy.stats import beta
x = np.linspace(0.5, 1.0, 500)
plt.figure(figsize=(10, 5))
for _, r in df.iterrows():
    a_post = r['命中数'] + 1        # 均匀先验 Beta(1,1)
    b_post = r['点球数'] - r['命中数'] + 1
    plt.plot(x, beta.pdf(x, a_post, b_post), label=r['球队'])'点球命中率的后验分布（Beta-Binomial 模型）')
plt.xlabel('命中率')
plt.ylabel('概率密度')
plt.legend()
plt.tight_layout()
plt.show()

典型结论示例

真实数据中常见的规律（供参考）

若将本框架应用于真实赛事数据（如英超、世界杯），典型发现：

1. 联赛差异：不同联赛点球命中率普遍在 75%–80% 区间，差异不大。
2. 球员差异：顶级射手命中率可达 85%+，普通球员约 70%。
3. 压力情境：点球大战命中率通常略低于常规时间（约降 3–5 个百分点）。
4. 主罚顺序：先罚球队胜率略高（约 55–60%），但差异常不显著。
5. 守门员影响：面对顶级门将，命中率可下降 5–10%。

分析要点提醒

• 样本量小：单一球员/短赛程数据波动大，必须给置信区间，不能只看命中率数字。
• 辛普森悖论：总体命中率差异可能被"点球难度"等混杂因素掩盖。
• 统计显著性 vs 实际意义：5 个百分点差异往往统计不显著，但对比赛结果影响巨大。
• 建议：结合 Wilson 置信区间 + 卡方检验 + 贝叶斯后验分布，多角度判断。

如果你有具体的真实数据集（如某联赛逐场点球记录 CSV），我可以帮你直接跑出上述对比图表和检验结果，需要我调整对比维度（如按赛季、主客场、球员）吗？