Python案例怎么看两队的战术纪律性对比？

wen python案例 2026-07-29 2

本文目录导读：

核心指标：用数据量化纪律性
案例 1：基于季后赛数据的失误与犯规对比
案例 2：基于Play类型的高级防守纪律性分析
案例 3：关键战术回合执行纪律性
可视化对比：一张图看懂纪律性
注意事项与进阶建议
总结：怎么通过Python实际得到结论？

要分析两支球队的战术纪律性对比，核心是量化球员在场上执行战术的稳定性和规范性，而不是只看个人数据，战术纪律性差的球队通常表现为：失误多、犯规多、跑位混乱、关键回合执行力差。

下面提供几个适合用Python进行对比的具体案例角度和代码思路，你可以根据自己的数据源（如统计网站、比赛录像标注数据）选择使用。

核心指标：用数据量化纪律性

战术纪律性差的典型表现包括：

失误率（Turnover Rate）：非受迫性失误多，比如传球被断、走步、运球失误。
犯规类型（Foul Type）：无谓的进攻犯规、防守失位后的追尾犯规、技术犯规。
战术执行成功率（Play Execution）：挡拆、无球跑动后的接球投篮、边线球战术的成功率。
防守纪律性（Defensive Discipline）：被对手一步过、漏人、协防补位不及时。

案例 1：基于季后赛数据的失误与犯规对比

假设你有一份比赛事件数据（如 CSV 文件），包含 team, event_type (如 turnover, foul), period, play_type。

import pandas as pd
import matplotlib.pyplot as plt
# 假设数据加载
data = pd.read_csv('game_events.csv')
# 过滤出需要分析的事件
team_a = data[data['team'] == 'TeamA']
team_b = data[data['team'] == 'TeamB']
# 1. 对比总失误和犯规数
def analyze_discipline(team_df, team_name):
    total_turnovers = len(team_df[team_df['event_type'] == 'turnover'])
    total_fouls = len(team_df[team_df['event_type'] == 'foul'])
    # 特殊：进攻犯规 vs 防守犯规
    offensive_fouls = len(team_df[(team_df['event_type'] == 'foul') & (team_df['foul_type'] == 'offensive')])
    print(f"{team_name}: 总失误 {total_turnovers}, 总犯规 {total_fouls}, 其中进攻犯规 {offensive_fouls}")
    return total_turnovers, total_fouls, offensive_fouls
# 2. 按节次分析失误集中度（最后一节是否崩盘）
team_a['period_group'] = pd.cut(team_a['period'], bins=[0,1,2,3,4], labels=['1st','2nd','3rd','4th'])
period_turnover_a = team_a[team_a['event_type'] == 'turnover'].groupby('period_group').size()
# 3. 占比可视化：失误类型（传球失误 vs 运球失误 vs 走步）
turnover_type_a = team_a[team_a['event_type'] == 'turnover']['turnover_subtype'].value_counts()
turnover_type_b = team_b[team_b['event_type'] == 'turnover']['turnover_subtype'].value_counts()
fig, axes = plt.subplots(1, 2, figsize=(12,5))
turnover_type_a.plot(kind='pie', ax=axes[0], autopct='%1.1f%%', title='TeamA 失误类型分布')
turnover_type_b.plot(kind='pie', ax=axes[1], autopct='%1.1f%%', title='TeamB 失误类型分布')
plt.show()

结论价值：如果A队失误中“传球失误”比例远高于B队，说明A队战术配合生疏、传球路线容易被预判。

案例 2：基于Play类型的高级防守纪律性分析

假设你有每次进攻的Play-By-Play数据，包含防守动作评价（如“被过掉”、“协防到位”、“失去位置”）。

# 假设数据列：player, team, defense_action (successful_defense, beat_on_drive, late_help, foul)
defense_data = pd.read_csv('defensive_actions.csv')
# 计算“被一步过掉”的次数（防守失位核心指标）
beaten_of_team_a = len(defense_data[(defense_data['team']=='TeamA') & (defense_data['action']=='beaten_on_drive')])
beaten_of_team_b = len(defense_data[(defense_data['team']=='TeamB') & (defense_data['action']=='beaten_on_drive')])
# 计算“协防到位”的成功率（整体防守轮转纪律）
total_def_actions_a = len(defense_data[defense_data['team']=='TeamA'])
good_def_actions_a = len(defense_data[(defense_data['team']=='TeamA') & (defense_data['action'].isin(['successful_defense','help_defense']))])
print(f"TeamA 被过掉次数: {beaten_of_team_a}, 防守成功率: {good_def_actions_a/total_def_actions_a:.2%}")
print(f"TeamB 被过掉次数: {beaten_of_team_b}, 防守成功率: {good_def_actions_b/total_def_actions_b:.2%}")

案例 3：关键战术回合执行纪律性

对比最后3分钟的关键球回合，看哪队更少出现“死球时间”或“仓促出手”（时间戳分析）。

# 假设数据有 timestamp_remaining (剩余时间) 和 event
critical_time = data[data['timestamp_remaining'] <= 180]  # 最后3分钟
# 识别“仓促出手”：剩余 <3秒的出手尝试
bad_shots_a = len(critical_time[(critical_time['team']=='TeamA') & 
                                (critical_time['play_type']=='shot') & 
                                (critical_time['shot_clock_remaining'] <= 3)])
bad_shots_b = len(critical_time[(critical_time['team']=='TeamB') & 
                                (critical_time['play_type']=='shot') & 
                                (critical_time['shot_clock_remaining'] <= 3)])
print(f"关键时间仓促出手: TeamA {bad_shots_a}次, TeamB {bad_shots_b}次")

可视化对比：一张图看懂纪律性

最直观的是做一个雷达图,比较两队在多维度上的表现。

import numpy as np
import matplotlib.pyplot as plt
from math import pi
# 数据准备（归一化为每百回合值更公平）
categories = ['每百回合非受迫失误', '每百回合无谓犯规', 
              '每百回合被过掉', '每百回合仓促出手', 
              '每百回合战术死球']
# 假设数值（越低表示纪律性越好）
team_a_scores = [12, 15, 8, 5, 3]   # 假设值
team_b_scores = [18, 22, 11, 9, 7]  # 假设值
# 创建雷达图
N = len(categories)
angles = [n / float(N) * 2 * pi for n in range(N)]
angles += angles[:1]
fig, ax = plt.subplots(figsize=(8,8), subplot_kw=dict(polar=True))
ax.plot(angles, team_a_scores + team_a_scores[:1], 'o-', linewidth=2, label='TeamA')
ax.fill(angles, team_a_scores + team_a_scores[:1], alpha=0.25)
ax.plot(angles, team_b_scores + team_b_scores[:1], 'o-', linewidth=2, label='TeamB')
ax.fill(angles, team_b_scores + team_b_scores[:1], alpha=0.25)
ax.set_xticks(angles[:-1])
ax.set_xticklabels(categories)
ax.legend()'两队战术纪律性对比雷达图')
plt.show()

注意事项与进阶建议

数据来源：
- 免费：NBA Stats API, Kaggle 比赛数据集（如 nba_play_by_play）。
- 商业：Second Spectrum 或者 Sportradar，可以提供更细粒度的运动跟踪数据（如每次跑位、防守距离）。

统计显著性：

如果只有一场比赛，对比值受偶然性影响大，你可以结合多场比赛的场均数据，并使用 t检验 或 z检验 判断差异是否显著。

from scipy import stats
# 假设有两队的多场场均失误数据
t_stat, p_value = stats.ttest_ind(team_a_turnover_per_game, team_b_turnover_per_game)
print(f"p值={p_value:.3f}，{'有显著差异' if p_value<0.05 else '无显著差异'}")

结合“教练容忍度”：
- 有些战术纪律性差的问题可以通过换人解决（如教练频繁因失误换下球员），你可以统计因低级失误被换下的人数,这也是教练视角的纪律性指标。
异常值检测：
- 利用Z-score识别个别球员：player_zscore_turnover = (player_turnover - team_mean) / team_std，如果某球员失误Z-score > 2,属于纪律性拖后腿者。