根据python案例，板凳深度如何评级打分？

wen python案例 2026-08-05 213

本文目录导读：

第一步：定义核心指标（维度）
第二步：Python代码实现核心逻辑
第三步：实战进阶——考虑“攻防两端”和“化学反应”
第四步：如何应用到实际项目？

板凳深度”（Bench Depth，即阵容替补实力）的评级打分，在Python数据分析中通常是一个多因子加权模型，核心逻辑是：不仅要看替补球员的数量，更要看替补球员的质量、位置覆盖度以及对主力阵容的替代能力。

以下是一个基于Python的实战案例逻辑拆解,分为数据准备、指标计算和打分模型三个部分。

第一步：定义核心指标（维度）

我们需要从5个维度去量化板凳深度,每个维度设置权重（总和为100分）：

替补得分/篮板/助攻贡献度（权重 30%）：替补场均数据与主力场均数据的比值。
位置覆盖度（权重 25%）：替补是否在每个位置都有可靠人选（没有短板）。
效率值（PER）差值（权重 20%）：替补整体效率值与联盟平均水平（通常设定为15）的对比。
比赛末节关键得分（权重 15%）：衡量替补在“垃圾时间”或主力休息时的抢分能力。
伤病/轮换冗余度（权重 10%）：当主力缺席时，替补是否具备“即插即用”的同位置顶替能力。

第二步：Python代码实现核心逻辑

import pandas as pd
import numpy as np
# 示例数据：假设这是某支球队的球员数据
data = {
    'player': ['SGA', 'Chet', 'J-Dub', 'Giddey', 'Lugo',  # 首发
               'Wallace', 'Wiggins', 'Dieng', 'Mann', 'Poku'],  # 替补
    'position': ['PG', 'C', 'SF', 'SG', 'PF',   # 首发
                 'PG', 'SF', 'SG', 'PG', 'PF'],  # 替补
    'starter': [1, 1, 1, 1, 1, 0, 0, 0, 0, 0],  # 1=首发, 0=替补
    'points': [30.1, 18.5, 22.0, 12.8, 14.2,   # 首发
               8.5, 9.1, 6.3, 5.9, 4.2],       # 替补
    'PER': [29.5, 24.8, 23.1, 17.3, 19.9,      # 效率值
            16.5, 15.8, 14.2, 13.1, 11.5],     
    'minutes': [35, 32, 34, 30, 28, 
                22, 20, 18, 15, 12]
}
df = pd.DataFrame(data)
# ---- 核心评级函数 ----
def bench_depth_score(df):
    starters = df[df['starter'] == 1]
    bench = df[df['starter'] == 0]
    # 1. 得分贡献度（替补/主力）
    score_contrib = bench['points'].sum() / starters['points'].sum()
    score_contrib_score = min(score_contrib / 0.5, 1.0) * 30  # 替补得分达到主力50%为满分
    # 2. 位置覆盖度（检查每个位置是否有替补）
    starter_positions = set(starters['position'])
    bench_positions = set(bench['position'])
    coverage_ratio = len(starter_positions & bench_positions) / len(starter_positions)
    coverage_score = coverage_ratio * 25
    # 3. 替补效率值（PER）达标率
    # 设定联盟平均PER=15，替补PER高于15视为优质替补
    bench_per_mean = bench['PER'].mean()
    per_efficiency = max(min(bench_per_mean / 15.0, 1.0), 0)
    per_score = per_efficiency * 20
    # 4. 得分效率（每分钟得分，衡量“微波炉”属性）
    bench_pts_per_min = bench['points'].sum() / bench['minutes'].sum()
    # 设定一个标准值，比如每分钟0.4分算合格
    efficiency_score = min(bench_pts_per_min / 0.5, 1.0) * 15
    # 5. 冗余度（同位置替补人数）
    redundancy_score = min(len(bench) / len(starters), 1.0) * 10
    # 总分
    total_score = score_contrib_score + coverage_score + per_score + efficiency_score + redundancy_score
    return {
        'score': round(total_score, 1),
        'details': {
            '得分贡献(30分)': round(score_contrib_score, 1),
            '位置覆盖(25分)': round(coverage_score, 1),
            'PER效率(20分)': round(per_score, 1),
            '得分效率(15分)': round(efficiency_score, 1),
            '冗余度(10分)': round(redundancy_score, 1)
        }
    }
# 执行评级
result = bench_depth_score(df)
print(f"总得分: {result['score']} / 100")
print("明细：", result['details'])
# ---- 自动评级（S/A/B/C/D）----
def get_grade(score):
    if score >= 85: return 'S级（顶级板凳）'
    elif score >= 75: return 'A级（优秀板凳）'
    elif score >= 65: return 'B级（合格板凳）'
    elif score >= 50: return 'C级（薄弱板凳）'
    else: return 'D级（极差板凳）'
grade = get_grade(result['score'])
print(f"评级结果: {grade}")

第三步：实战进阶——考虑“攻防两端”和“化学反应”

在真实的体育分析中,上述代码只是基础版，更科学的模型会引入：

净效率值（Net Rating）：替补在场时球队的攻防效率差（使用on/off court数据）。
“死亡五小”/“超级第六人”：单独识别替补中PER>20的球员，给予额外加成。
伤病模拟（蒙特卡洛）：跑10000次模拟，随机缺阵1-2名主力，看替补能否维持球队胜率。

代码示例（模拟伤病冗余）：

# 简单模拟：随机抽掉一名首发，看替补顶上去后得分下降率
import random
def simulate_injury_safety(df, trials=1000):
    starters = df[df['starter'] == 1].index.tolist()
    safe_count = 0
    for _ in range(trials):
        injured = random.choice(starters)
        injured_player = df.loc[injured]
        # 找一个位置匹配的替补顶上
        candidates = df[(df['starter'] == 0) & (df['position'] == injured_player['position'])]
        if len(candidates) > 0:
            # 计算原首发得分 vs 替补得分
            drop_rate = 1 - (candidates['points'].max() / injured_player['points'])
            if drop_rate < 0.3:  # 得分下降不超过30%视为能顶住
                safe_count += 1
    safety_ratio = safe_count / trials
    # 该比例直接作为“冗余度”修正因子
    return safety_ratio

第四步：如何应用到实际项目？

在给出一份评级报告时，建议直接输出一个雷达图（使用matplotlib），直观展示五个维度的得分情况。

打分逻辑总结：

维度	权重	计算逻辑
得分贡献	30%	替补总得分 / 主力总得分，达到50%为满分
位置覆盖	25%	替补能覆盖的主力位置比例
效率值	20%	替补平均PER / 15（联盟均值）
得分效率	15%	替补每分钟得分 / 0.5（基准值）
冗余度	10%	替补人数 / 主力人数