实用脚本如何评估教练换人得分能力?

wen 实用脚本 2

本文目录导读:

实用脚本如何评估教练换人得分能力?

  1. 核心评估指标设计
  2. 数据采集脚本框架(Python 示例)
  3. 进阶评估维度
  4. 实用评估脚本的输出模板
  5. 注意事项与局限性
  6. 推荐数据源

评估教练换人得分能力,可以从以下几个维度建立一套实用的量化脚本框架:

核心评估指标设计

换人净胜分贡献(Net Rating Impact)

换人净胜分 = 换人后球队净胜分 - 换人前球队净胜分
  • 追踪每次换人前后 5-8 分钟内的得分差变化
  • 对比同期对手阵容强度做修正

换人得分效率差(Substitution Scoring Efficiency)

换人效率 = (替补上场后球队每百回合得分) - (换人前每百回合得分)
  • 需控制比赛节奏(pace)差异

关键换人成功率

  • 定义“关键换人”:分差 ≤5 分时的换人
  • 统计换人后 3 分钟内球队是否缩小/扩大分差

换人时机价值(Timing Value)

  • 换人后立即打出的得分高潮(run)频率
  • 换人后对手得分停滞(scoring drought)的发生率

数据采集脚本框架(Python 示例)

import pandas as pd
import numpy as np
class CoachSubstitutionEvaluator:
    def __init__(self, play_by_play_df, lineup_df):
        """
        play_by_play_df: 逐回合数据(时间、比分、场上球员)
        lineup_df: 阵容组合数据
        """
        self.pbp = play_by_play_df
        self.lineups = lineup_df
    def detect_substitutions(self):
        """识别每次换人事件"""
        # 对比相邻回合场上球员变化
        subs = []
        for i in range(1, len(self.pbp)):
            prev = set(self.pbp.loc[i-1, 'on_court'])
            curr = set(self.pbp.loc[i, 'on_court'])
            if prev != curr:
                subs.append({
                    'game_id': self.pbp.loc[i, 'game_id'],
                    'quarter': self.pbp.loc[i, 'quarter'],
                    'game_clock': self.pbp.loc[i, 'clock'],
                    'score_diff_before': self.pbp.loc[i-1, 'score_diff'],
                    'players_out': prev - curr,
                    'players_in': curr - prev
                })
        return pd.DataFrame(subs)
    def calc_sub_impact(self, sub_df, window_minutes=5):
        """计算每次换人后窗口期内的净胜分"""
        results = []
        for _, sub in sub_df.iterrows():
            # 定位换人时间点
            t0 = sub['game_clock']
            # 提取窗口期内本方与对手得分
            window = self.pbp[
                (self.pbp['game_id'] == sub['game_id']) &
                (self.pbp['quarter'] == sub['quarter']) &
                (self.pbp['clock'] <= t0) &
                (self.pbp['clock'] >= t0 - window_minutes * 60)
            ]
            team_pts = window['team_score_delta'].sum()
            opp_pts = window['opp_score_delta'].sum()
            results.append({
                **sub.to_dict(),
                'net_rating_window': team_pts - opp_pts,
                'off_rating_window': team_pts,
                'def_rating_window': opp_pts
            })
        return pd.DataFrame(results)
    def aggregate_by_coach(self, impact_df, coach_map):
        """按教练汇总"""
        impact_df['coach'] = impact_df['game_id'].map(coach_map)
        return impact_df.groupby('coach').agg(
            sub_count=('net_rating_window', 'count'),
            avg_net_impact=('net_rating_window', 'mean'),
            positive_rate=('net_rating_window', lambda x: (x > 0).mean()),
            std_impact=('net_rating_window', 'std')
        ).sort_values('avg_net_impact', ascending=False)

进阶评估维度

阵容匹配度评分

  • 换人后新阵容的赛季净效率 vs 联盟平均
  • 针对对手特定阵容的克制效果

换人反应速度

  • 对手打出 6-0 高潮后,教练叫暂停/换人的平均回合数
  • 落后时的调整频率与效果

情境分层评估

按以下情境分别统计换人效果:

  • 领先/落后/平分
  • 第一节 vs 第四节
  • 主力犯规困扰时
  • 背靠背/疲劳场次

换人一致性(Consistency)

  • 相同情境下换人决策的稳定性
  • 避免“随机换人”导致的高方差

实用评估脚本的输出模板

def generate_coach_report(evaluator, coach_name, season_data):
    subs = evaluator.detect_substitutions()
    impact = evaluator.calc_sub_impact(subs)
    report = {
        '教练': coach_name,
        '总换人次数': len(impact),
        '平均换人净胜分': impact['net_rating_window'].mean(),
        '正收益换人占比': (impact['net_rating_window'] > 0).mean(),
        '关键换人成功率': calc_clutch_subs(impact),
        '换人后5分钟得分效率': impact['off_rating_window'].mean(),
        '换人后5分钟失分效率': impact['def_rating_window'].mean(),
        '换人决策稳定性(std)': impact['net_rating_window'].std(),
        '最佳换人案例': impact.nlargest(3, 'net_rating_window')[['game_id','quarter','net_rating_window']],
        '最差换人案例': impact.nsmallest(3, 'net_rating_window')[['game_id','quarter','net_rating_window']]
    }
    return report

注意事项与局限性

  1. 样本量问题:单赛季换人次数有限,需跨赛季或多教练对比
  2. 混杂因素:球员伤病、对手强度、垃圾时间需剔除
  3. 因果推断:换人效果≠教练能力,需控制阵容质量基线
  4. 建议方法:
    • 使用 双重差分(DID) 对比相似情境
    • 引入 倾向得分匹配 控制换人前的比赛状态
    • 剔除垃圾时间(分差 >15 分且剩余 <5 分钟)

推荐数据源

  • NBA:StatsBomb、nba_api(play-by-play 含换人记录)
  • CBA:贝泰科技、官方技术统计
  • 欧洲联赛:EuroLeague API

这套框架的核心逻辑是:把“换人”视为一次干预事件,用准实验方法评估其对比赛走势的因果影响,而非简单看换人后的得分,建议先从净胜分窗口法入手,逐步加入情境分层和匹配方法提升严谨性。

上一篇实用脚本认为这次斜长传转移合理吗?

下一篇当前分类已是最新一篇

抱歉,评论功能暂时关闭!

友情链接攻略窝 · 礼包窝 · 配置窝 · 换算窝 · 算法窝 · 查文窝 · 手册窝 · 问答窝 · 全文搜 · 手册库
相关站点礼包窝 · 查文窝