本文目录导读:

你提到的“赛后python案例”我这边没有具体上下文,不太确定你指的是哪一篇案例/数据源(是某场比赛的赛后分析、某个赛季的统计,还是用 Python 做转会效果评估的教程),不过按常见做法,我可以给你一个用 Python 评估冬窗引援效果的完整分析框架 + 示例代码,你套到自己的数据上即可。
评估冬窗引援效果的常用指标
| 维度 | 指标 | 说明 |
|---|---|---|
| 出场贡献 | 出场时间、首发次数 | 是否被教练信任 |
| 进攻 | 进球、助攻、xG、xA、关键传球 | 前场球员核心 |
| 防守 | 抢断、拦截、解围、对抗成功率 | 中后场球员核心 |
| 效率 | 每90分钟数据、转化率 | 消除出场时间差异 |
| 球队影响 | 引援前后球队场均积分/进失球 | 团队层面 |
| 性价比 | 转会费/工资 vs 贡献 | 经济性 |
| 稳定性 | 数据波动、伤病缺阵 | 风险 |
Python 分析流程示例
数据准备
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 假设 df 包含冬窗引援球员的赛后数据
# 字段示例:player, team, fee, minutes, goals, assists, xG, xA,
# tackles, interceptions, duels_won_pct, matches, starts
df = pd.read_csv("winter_transfers.csv")
# 统一为每90分钟数据
df["min_per_90"] = df["minutes"] / 90
for col in ["goals", "assists", "xG", "xA", "tackles", "interceptions"]:
df[f"{col}_p90"] = df[col] / df["min_per_90"].replace(0, np.nan)
引援前后球队表现对比
# 假设有球队逐场数据:match_date, points, goals_for, goals_against
team = pd.read_csv("team_matches.csv", parse_dates=["match_date"])
window_date = pd.Timestamp("2024-02-01") # 冬窗关闭大致时间
before = team[team["match_date"] < window_date]
after = team[team["match_date"] >= window_date]
summary = pd.DataFrame({
"场均积分": [before["points"].mean(), after["points"].mean()],
"场均进球": [before["goals_for"].mean(), after["goals_for"].mean()],
"场均失球": [before["goals_against"].mean(), after["goals_against"].mean()],
}, index=["引援前", "引援后"])
print(summary.round(2))
引援球员贡献排名(性价比)
# 综合贡献分(可按位置调整权重)
df["contribution"] = (
df["goals_p90"] * 3 +
df["assists_p90"] * 2 +
df["xG_p90"] * 1.5 +
df["xA_p90"] * 1.5 +
df["tackles_p90"] * 0.5 +
df["interceptions_p90"] * 0.5
)
# 性价比:每百万转会费的贡献
df["value_score"] = df["contribution"] / (df["fee"] / 1e6).replace(0, np.nan)
rank = df.sort_values("value_score", ascending=False)[
["player", "team", "fee", "minutes", "contribution", "value_score"]
]
print(rank.head(10).round(2))
可视化
# 引援前后球队场均积分对比
summary["场均积分"].plot(kind="bar", color=["gray", "steelblue"])"冬窗引援前后球队场均积分")
plt.ylabel("场均积分")
plt.xticks(rotation=0)
plt.tight_layout()
plt.show()
# 球员贡献 vs 转会费散点
plt.scatter(df["fee"] / 1e6, df["contribution"])
for _, r in df.iterrows():
plt.annotate(r["player"], (r["fee"]/1e6, r["contribution"]), fontsize=8)
plt.xlabel("转会费(百万)")
plt.ylabel("综合贡献分")"冬窗引援性价比分布")
plt.tight_layout()
plt.show()
简单统计检验(引援前后是否有显著差异)
from scipy import stats
t_stat, p_val = stats.ttest_ind(before["points"], after["points"], equal_var=False)
print(f"引援前后场均积分差异: t={t_stat:.2f}, p={p_val:.3f}")
# p < 0.05 才可说统计显著;样本小时谨慎解读
结论解读要点(写分析时用)
- 看效率不看总量:用每90分钟数据,避免“出场多=贡献大”的偏差。
- 区分位置:前锋看 xG/xA,后卫看抢断/拦截/对抗,别用同一套权重。
- 控制混杂因素:赛程强弱、伤病、战术变化都会影响“引援前后对比”,最好做对手强度调整或分段对比。
- 样本量警告:冬窗引援半赛季数据少,统计检验 p 值往往不显著,结论宜用“趋势”而非“定论”。
- 性价比:转会费/工资 vs 贡献分,是评价冬窗“效果”最直观的维度。
如果你能把那篇“赛后python案例”的具体数据字段或代码片段发我,我可以直接帮你改写成针对该案例的结论(比如具体某队/某球员的引援效果如何),你指的是哪支球队或哪个赛季的案例?
版权声明:本站文章为原创整理,转载请注明出处。