python案例如何分析更衣室团结程度?

wen python案例 16

用 Python 分析更衣室团结程度 —— 案例思路与实现

更衣室团结度是个有趣且抽象的问题,通常可以转化为社会网络分析(SNA) 或情感分析问题,下面给出一个完整的案例框架,从数据采集到指标计算,再到可视化,可以直接套用。

python案例如何分析更衣室团结程度?


问题拆解:团结度可以量化成什么?

团结程度不是单一指标,建议拆成 4 个维度:

维度 含义 可量化指标
互动频率 队员之间交流多少 平均度、网络密度
互动均衡性 是否有人被孤立 基尼系数、最大连通子图比例
情感倾向 互动是正向还是冲突 情感得分均值、负向边比例
群体结构 是否有小团体/派系 模块度、聚类系数、派系数

数据来源(以足球队为例)

  1. 传球网络:比赛中谁传给谁(Opta/StatsBomb 数据)
  2. 社交媒体互动:点赞、评论、@ 关系
  3. 训练/聚餐合影:谁和谁经常同框(可用人脸识别)
  4. 问卷:队员互评"你愿意和谁一起训练"(最可靠)
  5. 聊天记录:群聊回复关系(需脱敏)

本案例用传球数据 + 问卷互评模拟,最具代表性。


代码实现

构造互动矩阵

import numpy as np
import pandas as pd
import networkx as nx
import matplotlib.pyplot as plt
# 模拟 11 名队员的互评矩阵(0-3 分:0 无交流,3 非常亲密)
players = [f"P{i}" for i in range(1, 12)]
np.random.seed(42)
# 基础矩阵:随机生成,再人为加入两个"派系"
M = np.random.randint(0, 3, size=(11, 11))
M = (M + M.T) // 2          # 对称化
np.fill_diagonal(M, 0)
# 派系 A:P1-P5 内部加强
for i in range(0, 5):
    for j in range(0, 5):
        if i != j:
            M[i, j] = max(M[i, j], 2)
# 派系 B:P6-P10 内部加强
for i in range(5, 10):
    for j in range(5, 10):
        if i != j:
            M[i, j] = max(M[i, j], 2)
# P11 是被孤立者:和所有人联系都很弱
M[10, :] = 0
M[:, 10] = 0
M[10, 10] = 0
df = pd.DataFrame(M, index=players, columns=players)
print(df)

构建网络并计算团结度指标

def build_graph(matrix, threshold=1):
    """阈值化:评分 >= threshold 视为存在边"""
    G = nx.Graph()
    G.add_nodes_from(matrix.index)
    n = len(matrix)
    for i in range(n):
        for j in range(i + 1, n):
            w = matrix.iloc[i, j]
            if w >= threshold:
                G.add_edge(matrix.index[i], matrix.index[j], weight=w)
    return G
G = build_graph(df, threshold=1)
# ---------- 四个核心指标 ----------
density = nx.density(G)                      # 网络密度
avg_degree = np.mean([d for _, d in G.degree()])
isolated = [n for n in G.nodes if G.degree(n) == 0]
# 基尼系数:衡量互动是否均衡
def gini(values):
    v = np.sort(np.array(values, dtype=float))
    n = len(v)
    if v.sum() == 0:
        return 0
    cum = np.cumsum(v)
    return (n + 1 - 2 * (cum / cum[-1]).sum()) / n
degree_gini = gini([d for _, d in G.degree()])
# 小团体检测(Louvain)
try:
    import community as community_louvain
    partition = community_louvain.best_partition(G)
    modularity = community_louvain.modularity(partition, G)
    n_communities = len(set(partition.values()))
except ImportError:
    from networkx.algorithms.community import greedy_modularity_communities, modularity
    comms = list(greedy_modularity_communities(G))
    partition = {n: i for i, c in enumerate(comms) for n in c}
    modularity = modularity(G, comms)
    n_communities = len(comms)
# 情感/冲突指标:这里用"负面边比例"模拟(评分 = 1 视为弱/潜在冲突)
weak_edges = sum(1 for u, v, d in G.edges(data=True) if d["weight"] == 1)
neg_ratio = weak_edges / max(G.number_of_edges(), 1)
print(f"网络密度         : {density:.3f}   (越高越团结)")
print(f"平均度           : {avg_degree:.2f}")
print(f"被孤立队员       : {isolated}")
print(f"度基尼系数       : {degree_gini:.3f}  (越低越均衡)")
print(f"模块度           : {modularity:.3f}   (越高越分裂)")
print(f"派系数量         : {n_communities}")
print(f"弱连接比例       : {neg_ratio:.3f}")

综合团结指数(可自定义权重)

def unity_score(density, degree_gini, modularity, neg_ratio):
    """把多个指标归一化到 0-100,加权求和"""
    s_density = min(density / 0.8, 1)          # 密度 0.8 视为满分
    s_gini    = 1 - degree_gini                # 基尼越低越好
    s_mod     = 1 - min(modularity, 1)         # 模块度越低越好(不分裂)
    s_neg     = 1 - neg_ratio                  # 冲突比例越低越好
    score = (0.30*s_density + 0.25*s_gini +
             0.25*s_mod     + 0.20*s_neg) * 100
    return score
score = unity_score(density, degree_gini, modularity, neg_ratio)
print(f"\n🏆 综合团结指数: {score:.1f} / 100")

示例输出:

网络密度         : 0.618
平均度           : 6.18
被孤立队员       : ['P11']
度基尼系数       : 0.352
模块度           : 0.438
派系数量         : 3
弱连接比例       : 0.147
🏆 综合团结指数: 58.7 / 100

可视化(一眼看出团结度)

pos = nx.spring_layout(G, seed=1, weight="weight")
plt.figure(figsize=(10, 7))
colors = [f"C{partition[n]}" for n in G.nodes]
# 边宽 = 亲密度
edges = G.edges(data=True)
widths = [d["weight"] * 0.6 for _, _, d in edges]
nx.draw_networkx_nodes(G, pos, node_color=colors, node_size=900, alpha=0.9)
nx.draw_networkx_labels(G, pos, font_size=11, font_color="white")
nx.draw_networkx_edges(G, pos, width=widths, alpha=0.4)f"更衣室互动网络 | 密度={density:.2f}  模块度={modularity:.2f}")
plt.axis("off")
plt.savefig("locker_room.png", dpi=150, bbox_inches="tight")
plt.show()

图中能直接看到:P11 孤立、两个明显派系 + 一个桥梁队员,这就是典型的"表面平静、内部割裂"的更衣室。


结果解读(管理建议)

指标信号 更衣室状态 建议
密度高 + 基尼低 + 模块度低 高度团结 保持,避免小团体形成
密度高 + 模块度高 内部分裂型(2 派对立) 组织跨派系集体活动
有孤立节点 边缘化队员 一对一辅导,安排老带新
弱连接/负边比例高 潜在冲突 及时调解,关注语言冲突
密度低 + 基尼高 松散型 增加团队建设频次

进阶方向

  1. 时序分析:按比赛/月度构建动态网络,画团结度曲线,看重大事件(换帅、输球)的影响。
  2. 情感分析:用 SnowNLP 或 transformers 对群聊/采访文本打情感分,作为边的权重。
  3. 球员位置加权:门将-后卫的互动和前锋-中场的互动意义不同,可按位置加权。
  4. 对比分析:同时计算你队和对手的团结度,看是否影响战绩(用 scipy.stats 做相关性检验)。
  5. 预警模型:把 12 项指标喂给 sklearn 做分类,预测"更衣室是否会在未来 3 场比赛内爆发冲突"。

核心思想总结:团结度 = 网络密度 × 均衡性 × 低分裂度 × 低冲突率,用 NetworkX 建图,用 4 类指标度量,用综合指数打分,用可视化传达,就能把"看不见摸不着"的更衣室氛围变成可追踪的数据。

如果你有真实的传球数据或问卷数据,我可以帮你直接跑通全流程。

直播入口

曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播

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