如何查看两队主客场战绩差异 - Python实战案例
下面我用一个完整的案例来演示如何分析两队的主客场战绩差异。

数据准备
假设我们有一个比赛记录表,包含比赛的主队、客队、比分等信息。
import pandas as pd
import numpy as np
# 模拟比赛数据
data = {
'date': pd.date_range('2024-01-01', periods=20, freq='D'),
'home_team': ['湖人', '勇士', '湖人', '凯尔特人', '勇士',
'湖人', '凯尔特人', '勇士', '湖人', '凯尔特人',
'勇士', '湖人', '凯尔特人', '勇士', '湖人',
'凯尔特人', '勇士', '湖人', '凯尔特人', '勇士'],
'away_team': ['勇士', '湖人', '凯尔特人', '湖人', '凯尔特人',
'勇士', '湖人', '凯尔特人', '勇士', '湖人',
'湖人', '凯尔特人', '勇士', '湖人', '凯尔特人',
'勇士', '湖人', '凯尔特人', '勇士', '湖人'],
'home_score': [110, 105, 98, 112, 100,
120, 108, 115, 102, 95,
108, 116, 99, 104, 118,
110, 107, 125, 98, 112],
'away_score': [105, 108, 105, 100, 98,
102, 112, 95, 108, 102,
105, 105, 110, 99, 110,
100, 112, 110, 105, 108]
}
df = pd.DataFrame(data)
print(df.head())
核心计算逻辑
def analyze_home_away(team_name, df):
"""分析指定球队的主客场战绩"""
# 主场比赛
home_games = df[df['home_team'] == team_name].copy()
home_wins = (home_games['home_score'] > home_games['away_score']).sum()
home_games_count = len(home_games)
home_win_rate = home_wins / home_games_count if home_games_count else 0
home_avg_diff = (home_games['home_score'] - home_games['away_score']).mean()
# 客场比赛
away_games = df[df['away_team'] == team_name].copy()
away_wins = (away_games['away_score'] > away_games['home_score']).sum()
away_games_count = len(away_games)
away_win_rate = away_wins / away_games_count if away_games_count else 0
away_avg_diff = (away_games['away_score'] - away_games['home_score']).mean()
return {
'球队': team_name,
'主场场次': home_games_count,
'主场胜场': home_wins,
'主场胜率': round(home_win_rate * 100, 1),
'主场净胜分': round(home_avg_diff, 2),
'客场场次': away_games_count,
'客场胜场': away_wins,
'客场胜率': round(away_win_rate * 100, 1),
'客场净胜分': round(away_avg_diff, 2),
'胜率差(主-客)': round((home_win_rate - away_win_rate) * 100, 1),
'净胜分差(主-客)': round(home_avg_diff - away_avg_diff, 2),
}
# 分析所有球队
teams = df['home_team'].unique()
results = pd.DataFrame([analyze_home_away(t, df) for t in teams])
print(results.to_string(index=False))
可视化对比
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文显示
plt.rcParams['axes.unicode_minus'] = False
fig, axes = plt.subplots(1, 2, figsize=(14, 5))
# 胜率对比
x = np.arange(len(results))
width = 0.35
axes[0].bar(x - width/2, results['主场胜率'], width, label='主场胜率', color='#4C72B0')
axes[0].bar(x + width/2, results['客场胜率'], width, label='客场胜率', color='#DD8452')
axes[0].set_xticks(x)
axes[0].set_xticklabels(results['球队'])
axes[0].set_ylabel('胜率 (%)')
axes[0].set_title('各队主客场胜率对比')
axes[0].legend()
axes[0].grid(axis='y', alpha=0.3)
# 净胜分对比
axes[1].bar(x - width/2, results['主场净胜分'], width, label='主场净胜分', color='#4C72B0')
axes[1].bar(x + width/2, results['客场净胜分'], width, label='客场净胜分', color='#DD8452')
axes[1].axhline(0, color='black', linewidth=0.8)
axes[1].set_xticks(x)
axes[1].set_xticklabels(results['球队'])
axes[1].set_ylabel('场均净胜分')
axes[1].set_title('各队主客场净胜分对比')
axes[1].legend()
axes[1].grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()
两队直接对比(推荐做法)
如果只想对比特定两队的主客场差异,用雷达图更直观:
def compare_two_teams(team_a, team_b, df):
"""两队主客场能力对比"""
a = analyze_home_away(team_a, df)
b = analyze_home_away(team_b, df)
metrics = ['主场胜率', '客场胜率', '主场净胜分', '客场净胜分']
fig, ax = plt.subplots(figsize=(8, 6))
x = np.arange(len(metrics))
width = 0.35
ax.bar(x - width/2, [a[m] for m in metrics], width, label=team_a, color='#4C72B0')
ax.bar(x + width/2, [b[m] for m in metrics], width, label=team_b, color='#DD8452')
ax.set_xticks(x)
ax.set_xticklabels(metrics)
ax.axhline(0, color='black', linewidth=0.8)
ax.legend()
ax.set_title(f'{team_a} vs {team_b} 主客场指标对比')
plt.tight_layout()
plt.show()
# 打印差异表
diff = pd.DataFrame({'指标': metrics, team_a: [a[m] for m in metrics],
team_b: [b[m] for m in metrics]})
diff['差异'] = diff[team_a] - diff[team_b]
print(diff.to_string(index=False))
compare_two_teams('湖人', '勇士', df)
关键指标说明
| 指标 | 含义 | 解读 |
|---|---|---|
| 主/客场胜率 | 各场地胜场占比 | 差值大 → 主场龙/客场虫 |
| 主/客场净胜分 | 场均分差 | 反映真实实力差,避免偶然性 |
| 主客差值 | 主场 - 客场 | 正数越大主场优势越明显 |
| 样本量 | 场次数量 | 场次太少(<5)结论不可靠 |
进阶建议
-
数据来源:可用
nba_api库直接拉取真实 NBA 数据from nba_api.stats.endpoints import leaguegamefinder games = leaguegamefinder.LeagueGameFinder(season_nullable='2023-24').get_data_frames()[0]
-
权重调整:赛季初样本少时,可用贝叶斯平滑或引入上赛季数据
-
对手强度修正:用 Elo 或对手胜率加权,避免"打的都是弱队"造成的偏差
-
统计显著性检验:
from scipy.stats import chi2_contingency, ttest_ind # 检验主客场胜率差异是否显著 table = np.array([[home_wins, home_games_count - home_wins], [away_wins, away_games_count - away_wins]]) chi2, p, _, _ = chi2_contingency(table) print(f'p值 = {p:.4f},{"显著" if p < 0.05 else "不显著"}')
这样你就能完整地看出两队主客场战绩的实际差异,并且能判断差异是真实存在还是随机波动,需要我针对具体某项(如 NBA 真实数据、胜率显著性检验)再展开吗?
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