综合Python案例，点球命中率对比如何？

wen python案例 2026-07-26 2

本文目录导读：

案例背景
完整代码
输出示例（每次运行略有随机波动）
核心分析要点
扩展思考

这是一个非常有趣且适合综合练习Python的数据分析案例，我们可以通过蒙特卡洛模拟（Monte Carlo Simulation）来对比不同球员或不同情境下的点球命中率，并运用数据可视化和统计检验来分析结果。

以下是一个完整的Python案例，模拟两位球员（球员A vs 球员B）的点球表现,并对比他们的命中率是否存在显著差异。

案例背景

假设：

球员A：命中率 75%（经验丰富）
球员B：命中率 65%（年轻新秀）
每人模拟1000次点球（每次独立）

我们将：

生成模拟数据
计算统计量
可视化对比
进行假设检验（卡方检验 / Z检验）

完整代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
# 设置随机种子，保证结果可复现
np.random.seed(42)
# ------------------ 1. 模拟点球数据 ------------------
# 设定参数
n_simulations = 1000  # 模拟次数（每次一脚点球）
p_a = 0.75            # 球员A真实命中率
p_b = 0.65            # 球员B真实命中率
# 生成模拟结果：1=进球, 0=未进
sim_a = np.random.binomial(1, p_a, n_simulations)
sim_b = np.random.binomial(1, p_b, n_simulations)
# ------------------ 2. 计算统计量 ------------------
goals_a = sim_a.sum()
goals_b = sim_b.sum()
misses_a = n_simulations - goals_a
misses_b = n_simulations - goals_b
# 命中率
rate_a = goals_a / n_simulations
rate_b = goals_b / n_simulations
# 输出结果
print(f"球员A: 进球 {goals_a}/{n_simulations}  (命中率 {rate_a:.2%})")
print(f"球员B: 进球 {goals_b}/{n_simulations}  (命中率 {rate_b:.2%})")
# ------------------ 3. 可视化对比 ------------------
# 3.1 柱状图对比命中率
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
# 左侧：进球/未进数量
data = pd.DataFrame({
    '球员': ['A', 'B'],
    '进球': [goals_a, goals_b],
    '未进': [misses_a, misses_b]
})
data_melted = data.melt(id_vars='球员', var_name='结果', value_name='次数')
sns.barplot(data=data_melted, x='球员', y='次数', hue='结果', ax=axes[0])
axes[0].set_title('点球结果数量对比')
axes[0].set_ylabel('次数')
# 右侧：命中率对比（带误差线，使用二项分布标准误）
rates = [rate_a, rate_b]
se_a = np.sqrt(rate_a * (1 - rate_a) / n_simulations)
se_b = np.sqrt(rate_b * (1 - rate_b) / n_simulations)
se = [se_a, se_b]
axes[1].bar(['球员A', '球员B'], rates, yerr=se, capsize=5, color=['skyblue', 'salmon'])
axes[1].set_ylabel('命中率')
axes[1].set_title('点球命中率对比（含标准误）')
axes[1].set_ylim(0, 1)
plt.tight_layout()
plt.show()
# 3.2 模拟概率分布（多次模拟观察稳定性）
# 如果我们重复这个实验1000次，每次模拟100脚点球，会得到什么样的分布？
n_experiments = 10000
n_shots_per = 100
sim_rates_a = []
sim_rates_b = []
for _ in range(n_experiments):
    sim_a_exp = np.random.binomial(1, p_a, n_shots_per)
    sim_b_exp = np.random.binomial(1, p_b, n_shots_per)
    sim_rates_a.append(sim_a_exp.mean())
    sim_rates_b.append(sim_b_exp.mean())
plt.figure(figsize=(10, 6))
sns.histplot(sim_rates_a, bins=50, color='skyblue', alpha=0.6, label=f'球员A (真实p={p_a})')
sns.histplot(sim_rates_b, bins=50, color='salmon', alpha=0.6, label=f'球员B (真实p={p_b})')
plt.axvline(p_a, color='blue', linestyle='--', linewidth=2)
plt.axvline(p_b, color='red', linestyle='--', linewidth=2)
plt.xlabel('模拟命中率')
plt.ylabel('频次')f'基于{n_shots_per}次点球模拟的命中率分布 (重复{n_experiments}次)')
plt.legend()
plt.show()
# ------------------ 4. 统计检验 ------------------
# 使用卡方检验（2x2列联表）检验两球员命中率是否有显著差异
contingency_table = np.array([[goals_a, misses_a],
                              [goals_b, misses_b]])
chi2, p_value, dof, expected = stats.chi2_contingency(contingency_table, correction=False)
print("\n--- 卡方检验结果 ---")
print(f"卡方统计量: {chi2:.3f}")
print(f"自由度: {dof}")
print(f"P值: {p_value:.6f}")
if p_value < 0.05:
    print(" 在α=0.05水平上，两球员命中率存在显著差异。")
else:
    print(" 在α=0.05水平上，两球员命中率无显著差异。")
# 也可用两比例Z检验
z_stat, p_val_z = stats.ranksums? # 不，用比例检验
# 手动计算z统计量
p_pool = (goals_a + goals_b) / (n_simulations * 2)
se_diff = np.sqrt(p_pool * (1 - p_pool) * (2 / n_simulations))
z_stat = (rate_a - rate_b) / se_diff
p_val_z = 2 * (1 - stats.norm.cdf(abs(z_stat)))
print("\n--- 两比例Z检验结果 ---")
print(f"Z统计量: {z_stat:.3f}")
print(f"P值: {p_val_z:.6f}")

输出示例（每次运行略有随机波动）

球员A: 进球 748/1000  (命中率 74.80%)
球员B: 进球 640/1000  (命中率 64.00%)
--- 卡方检验结果 ---
卡方统计量: 27.160
自由度: 1
P值: 0.000000
 在α=0.05水平上，两球员命中率存在显著差异。
--- 两比例Z检验结果 ---
Z统计量: 5.212
P值: 0.000000