用 Python 分析两队主客场战绩差异
下面给你一个完整的实战案例,涵盖数据准备 → 分析 → 可视化的流程。

数据准备
假设你有一份比赛记录表(CSV 格式):
date,home_team,away_team,home_score,away_score 2024-01-01,湖人,勇士,110,105 2024-01-03,勇士,凯尔特人,98,102 2024-01-05,湖人,凯尔特人,115,108 ...
核心分析代码
import pandas as pd
import matplotlib.pyplot as plt
# 解决中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 1. 读取数据
df = pd.read_csv('games.csv', parse_dates=['date'])
# 2. 构造"主场视角"记录
home_df = df.rename(columns={
'home_team': 'team', 'away_team': 'opponent',
'home_score': 'team_score', 'away_score': 'opp_score'
})[['date', 'team', 'opponent', 'team_score', 'opp_score']]
home_df['is_home'] = True
# 3. 构造"客场视角"记录
away_df = df.rename(columns={
'away_team': 'team', 'home_team': 'opponent',
'away_score': 'team_score', 'home_score': 'opp_score'
})[['date', 'team', 'opponent', 'team_score', 'opp_score']]
away_df['is_home'] = False
# 合并成长表
long_df = pd.concat([home_df, away_df], ignore_index=True)
# 4. 计算胜负
long_df['win'] = long_df['team_score'] > long_df['opp_score']
# 5. 按球队 + 主客场聚合
stats = long_df.groupby(['team', 'is_home']).agg(
场次=('win', 'size'),
胜场=('win', 'sum'),
场均得分=('team_score', 'mean'),
场均失分=('opp_score', 'mean'),
).reset_index()
stats['胜率'] = stats['胜场'] / stats['场次']
stats['净胜分'] = stats['场均得分'] - stats['场均失分']
stats['主客场'] = stats['is_home'].map({True: '主场', False: '客场'})
# 6. 透视成对比表:每队一行,主客列并排
pivot = stats.pivot(index='team', columns='主客场',
values=['胜率', '场均得分', '场均失分', '净胜分'])
# 计算"主客差异"(主场 - 客场)
diff = pd.DataFrame({
'主-客 胜率差': pivot[('胜率', '主场')] - pivot[('胜率', '客场')],
'主-客 净胜分差': pivot[('净胜分', '主场')] - pivot[('净胜分', '客场')],
'主-客 得分差': pivot[('场均得分', '主场')] - pivot[('场均得分', '客场')],
}).sort_values('主-客 净胜分差', ascending=False)
print(diff.round(3))
输出示例:
主-客 胜率差 主-客 净胜分差 主-客 得分差
team
掘金 0.213 8.4 4.2
凯尔特人 0.175 6.9 3.1
湖人 0.098 3.2 1.8
...
勇士 -0.032 -1.1 -0.7 # 客场反而更强
可视化对比
# 挑两队做对比
teams = ['湖人', '勇士']
plot_df = stats[stats['team'].isin(teams)].copy()
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
for ax, metric in zip(axes, ['胜率', '净胜分']):
plot_df.pivot(index='team', columns='主客场', values=metric).plot(
kind='bar', ax=ax, rot=0, color=['#ff7f0e', '#1f77b4'])
ax.set_title(f'两队 {metric} 主客对比')
ax.set_xlabel('')
plt.tight_layout()
plt.show()
进阶:差异是否显著(统计检验)
主场优势可能是随机波动,用卡方检验验证胜率差异是否显著:
from scipy.stats import chi2_contingency
for team in teams:
sub = long_df[long_df['team'] == team]
table = pd.crosstab(sub['is_home'], sub['win']) # 行:主客, 列:胜负
chi2, p, _, _ = chi2_contingency(table)
print(f"{team}: 主客胜率差异 p值 = {p:.4f} "
f"({'显著' if p < 0.05 else '不显著'})")
⚠️ 小样本时(比如一队只打10场),p值可能不显著,属正常现象。
关键点提醒
| 环节 | 注意 |
|---|---|
| 数据清洗 | 缺赛、加时、弃权要过滤 |
| 样本量 | 每队主/客场至少 10+ 场结果才稳 |
| 归一化 | 不同队比赛总数不同,用胜率而非胜场 |
| 对手强度 | 严格来说要用"调整后净胜分",可能需要 Elo 或 攻防效率 修正 |
| 可视化 | 主客差异用成对柱状图或哑铃图最直观 |
如果你有具体的 CSV 格式或想分析某个联赛(NBA/英超/中超),可以发给我,我帮你把代码调成对应字段。
版权声明:本站文章为原创整理,转载请注明出处。