python案例如何评估教练换人得分能力？

如何用Python评估教练换人得分能力？

这是一个很有趣的体育数据分析问题，评估教练换人能力需要从换人前后的球队表现变化来量化,下面我给出一个完整的分析框架和Python实现。

核心评估思路

换人得分能力本质是评估：换人后球队的得分效率是否提升,核心指标：

1. 净胜分变化（换人后 - 换人前）
2. 进攻/防守效率变化（每百回合得分）
3. 换人时机价值（是否在关键时刻换人）
4. 换人类型贡献（进攻型/防守型换人效果）

数据结构设计

假设我们有逐回合（possession-level）数据：

import pandas as pd
import numpy as np
# 模拟数据结构
df = pd.DataFrame({
    'game_id': [1,1,1,1,2,2,2,2],
    'quarter': [1,1,1,2,1,1,2,2],
    'game_clock': [720,650,580,300,700,600,400,200],  # 剩余秒数
    'home_score_diff': [0,2,4,1,0,-2,-3,-1],  # 主队领先分差
    'sub_team': ['home','away','home','away','home','away','home','away'],
    'sub_in_player': ['A','X','B','Y','C','Z','D','W'],
    'sub_out_player': ['E','V','F','U','G','T','H','S'],
    'sub_type': ['offense','defense','offense','defense','offense','defense','offense','defense']
})

核心评估函数

换人净胜分贡献

def calc_sub_impact(df, window=120):
    """
    计算每次换人后 window 秒内的净胜分变化
    window: 观察窗口（秒），默认2分钟
    """
    results = []
    for idx, row in df.iterrows():
        # 找换人后的回合（同队、时间在窗口内）
        after = df[
            (df['game_id'] == row['game_id']) &
            (df['game_clock'] < row['game_clock']) &
            (df['game_clock'] >= row['game_clock'] - window)
        ]
        if len(after) == 0:
            continue
        # 换人前后分差变化
        before_diff = row['home_score_diff']
        after_diff = after['home_score_diff'].iloc[-1]
        # 归一化到该队视角（主队正，客队负）
        sign = 1 if row['sub_team'] == 'home' else -1
        net_change = sign * (after_diff - before_diff)
        results.append({
            'game_id': row['game_id'],
            'sub_team': row['sub_team'],
            'sub_type': row['sub_type'],
            'sub_in': row['sub_in_player'],
            'net_change': net_change,
            'window': window
        })
    return pd.DataFrame(results)

教练综合评分

def coach_sub_score(sub_df):
    """
    教练换人得分能力综合评分
    """
    scores = {}
    for team in sub_df['sub_team'].unique():
        team_df = sub_df[sub_df['sub_team'] == team]
        # 指标1：平均每次换人净胜分
        avg_net = team_df['net_change'].mean()
        # 指标2：正贡献换人比例（成功率）
        success_rate = (team_df['net_change'] > 0).mean()
        # 指标3：进攻型/防守型换人效果分离
        off_eff = team_df[team_df['sub_type']=='offense']['net_change'].mean() \
                  if len(team_df[team_df['sub_type']=='offense']) > 0 else 0
        def_eff = team_df[team_df['sub_type']=='defense']['net_change'].mean() \
                  if len(team_df[team_df['sub_type']=='defense']) > 0 else 0
        # 综合评分（加权，可调）
        composite = 0.5 * avg_net + 0.3 * (success_rate * 10) + 0.2 * (off_eff + def_eff)
        scores[team] = {
            'avg_net_change': round(avg_net, 3),
            'success_rate': round(success_rate, 3),
            'offense_effect': round(off_eff, 3),
            'defense_effect': round(def_eff, 3),
            'composite_score': round(composite, 3)
        }
    return pd.DataFrame(scores).T

换人时机分析（关键改进）

def timing_analysis(df):
    """
    分析教练是否在关键时刻做出有效换人
    关键时刻定义：分差 <= 5 且 第四节/加时
    """
    df = df.copy()
    df['is_crunch'] = (df['home_score_diff'].abs() <= 5) & (df['quarter'] >= 4)
    crunch = df[df['is_crunch']]
    non_crunch = df[~df['is_crunch']]
    return {
        'crunch_subs': len(crunch),
        'crunch_avg_net': crunch['net_change'].mean() if len(crunch) > 0 else 0,
        'normal_subs': len(non_crunch),
        'normal_avg_net': non_crunch['net_change'].mean() if len(non_crunch) > 0 else 0
    }

完整运行示例

# 1. 计算每次换人影响
sub_df = calc_sub_impact(df, window=120)
print("=== 换人影响明细 ===")
print(sub_df.head())
# 2. 教练综合评分
coach_scores = coach_sub_score(sub_df)
print("\n=== 教练换人评分 ===")
print(coach_scores)
# 3. 时机分析
timing = timing_analysis(sub_df)
print("\n=== 换人时机分析 ===")
print(timing)

进阶：真实数据的接入方式

实际应用中需要接入真实数据源：

NBA 数据接入示例：

from nba_api.stats.endpoints import playbyplayv2
pbp = playbyplayv2.PlayByPlayV2(game_id='0022300001').get_data_frames()[0]
# 筛选换人事件：EVENTMSGTYPE == 8
subs = pbp[pbp['EVENTMSGTYPE'] == 8]

模型优化建议

1. 控制混杂因素：用回归模型控制比赛阶段、分差、球员能力等变量

   import statsmodels.api as sm
   # net_change ~ coach_dummy + score_diff + quarter + player_quality

2. 贝叶斯方法：换人样本量小，用贝叶斯层次模型更稳健

   # PyMC 示例
   import pymc as pm
   with pm.Model() as model:
       coach_effect = pm.Normal('coach_effect', mu=0, sigma=1, shape=n_coaches)
       # ...

3. 反事实评估：用因果推断（如倾向得分匹配）对比"换 vs 不换"的效果

4. 可视化：用 matplotlib 画出换人前后分差时间序列

关键注意事项

• 窗口选择敏感：2分钟窗口是篮球常见选择，需根据项目测试
• 样本量问题：单个教练一赛季换人样本可能仅几十次，需跨赛季聚合
• 相关不等于因果：分差变化可能来自球员自身而非换人决策
• 定义基准：可对比"联盟平均换人效果"或"随机换人基线"

这套框架可以迁移到足球（换人前后进球差）、冰球等运动，需要我针对某个具体运动（如NBA）或某种数据源做进一步细化吗？