综合python案例，抢断次数差距大吗？

wen python案例 2026-08-07 2

本文目录导读：

综合Python案例：篮球抢断数据分析
运行结果示例
结论解读

我理解您想了解一个关于抢断数据的Python分析案例，不过您的问题比较简短，我先为您创建一个完整的综合案例来分析抢断数据差距，包含数据生成、分析、可视化和假设检验。

综合Python案例：篮球抢断数据分析

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
import warnings
warnings.filterwarnings('ignore')
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用于显示中文
plt.rcParams['axes.unicode_minus'] = False
# ==================== 1. 数据生成 ====================
np.random.seed(42)
# 生成两支球队的抢断数据（每场比赛中每位球员的抢断次数）
team_A = np.random.poisson(lam=2.0, size=50)  # 传球失误多，抢断多
team_B = np.random.poisson(lam=0.8, size=50)  # 控球好，抢断少
# 生成球员数据
players_data = {
    '球员': [f'球员{i}' for i in range(1, 26)],
    '球队': ['A队']*15 + ['B队']*10,
    '抢断次数': np.concatenate([
        np.random.poisson(lam=2.0, size=15),  # A队球员
        np.random.poisson(lam=0.8, size=10)   # B队球员
    ])
}
df = pd.DataFrame(players_data)
# ==================== 2. 数据探索性分析 ====================
print("=" * 50)
print("数据概览：")
print(f"总球员数: {len(df)}")
print(f"A队球员数: {len(df[df['球队']=='A队'])}")
print(f"B队球员数: {len(df[df['球队']=='B队'])}")
print("\n描述性统计：")
print(df.groupby('球队')['抢断次数'].describe())
# ==================== 3. 可视化分析 ====================
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
# 子图1：箱线图
sns.boxplot(x='球队', y='抢断次数', data=df, ax=axes[0,0])
axes[0,0].set_title('抢断次数箱线图对比')
axes[0,0].set_ylabel('抢断次数')
# 子图2：柱状图（平均值）
avg_steals = df.groupby('球队')['抢断次数'].mean()
axes[0,1].bar(avg_steals.index, avg_steals.values, color=['#FF6B6B', '#4ECDC4'])
axes[0,1].set_title('平均抢断次数对比')
axes[0,1].set_ylabel('平均抢断次数')
for i, v in enumerate(avg_steals.values):
    axes[0,1].text(i, v + 0.1, f'{v:.2f}', ha='center')
# 子图3：分布直方图
axes[1,0].hist(team_A, bins=range(7), alpha=0.5, label='A队', color='red')
axes[1,0].hist(team_B, bins=range(7), alpha=0.5, label='B队', color='blue')
axes[1,0].set_title('抢断次数分布直方图')
axes[1,0].set_xlabel('每场抢断次数')
axes[1,0].set_ylabel('频率')
axes[1,0].legend()
# 子图4：散点图
x = np.arange(len(df))
colors = df['球队'].map({'A队': 'red', 'B队': 'blue'})
axes[1,1].scatter(x, df['抢断次数'], c=colors, alpha=0.6)
axes[1,1].set_title('球员抢断次数散点图')
axes[1,1].set_xlabel('球员编号')
axes[1,1].set_ylabel('抢断次数')
axes[1,1].axhline(y=avg_steals['A队'], color='red', linestyle='--', label=f'A队平均: {avg_steals["A队"]:.2f}')
axes[1,1].axhline(y=avg_steals['B队'], color='blue', linestyle='--', label=f'B队平均: {avg_steals["B队"]:.2f}')
axes[1,1].legend()
plt.tight_layout()
plt.savefig('steals_analysis.png', dpi=300, bbox_inches='tight')
plt.show()
# ==================== 4. 统计检验 ====================
print("\n" + "=" * 50)
print("统计检验：")
# 夏皮罗-威尔克检验（正态性检验）
shapiro_test_A = stats.shapiro(team_A)
shapiro_test_B = stats.shapiro(team_B)
print(f"\nA队正态性检验 p值: {shapiro_test_A.pvalue:.4f}")
print(f"B队正态性检验 p值: {shapiro_test_B.pvalue:.4f}")
# 独立样本t检验
t_stat, t_pvalue = stats.ttest_ind(team_A, team_B)
print(f"\n独立样本t检验：")
print(f"t统计量: {t_stat:.3f}")
print(f"p值: {t_pvalue:.6f}")
# 曼-惠特尼U检验（非参数检验）
u_stat, u_pvalue = stats.mannwhitneyu(team_A, team_B, alternative='two-sided')
print(f"\n曼-惠特尼U检验：")
print(f"U统计量: {u_stat:.3f}")
print(f"p值: {u_pvalue:.6f}")
# ==================== 5. 效应量计算 ====================
print("\n" + "=" * 50)
print("效应量分析：")
# Cohen's d
mean_A = np.mean(team_A)
mean_B = np.mean(team_B)
std_A = np.std(team_A, ddof=1)
std_B = np.std(team_B, ddof=1)
pooled_std = np.sqrt(((std_A**2 + std_B**2) / 2))
cohens_d = (mean_A - mean_B) / pooled_std
print(f"Cohen's d = {cohens_d:.3f}")
# 判断效果大小
if abs(cohens_d) < 0.2:
    effect_size = "小效果"
elif abs(cohens_d) < 0.5:
    effect_size = "中等效果"
elif abs(cohens_d) < 0.8:
    effect_size = "大效果"
else:
    effect_size = "极大效果"
print(f"效果大小: {effect_size}")
# ==================== 6. 置信区间 ====================
alpha = 0.05
dof = len(team_A) + len(team_B) - 2
t_critical = stats.t.ppf(1 - alpha/2, dof)
mean_diff = mean_A - mean_B
se_diff = np.sqrt((std_A**2/len(team_A)) + (std_B**2/len(team_B)))
ci_lower = mean_diff - t_critical * se_diff
ci_upper = mean_diff + t_critical * se_diff
print(f"\n均值差: {mean_diff:.3f}")
print(f"95% 置信区间: [{ci_lower:.3f}, {ci_upper:.3f}]")
print(f"置信区间包含0: {'是' if ci_lower <= 0 <= ci_upper else '否'}")
# ==================== 7. 排名分析 ====================
print("\n" + "=" * 50)
print("排名分析：")
# 按球队内排名
df['球队内排名'] = df.groupby('球队')['抢断次数'].rank(ascending=False)
top_3_A = df[df['球队']=='A队'].nlargest(3, '抢断次数')
top_3_B = df[df['球队']=='B队'].nlargest(3, '抢断次数')
print("\nA队抢断前3名：")
print(top_3_A[['球员', '抢断次数']])
print("\nB队抢断前3名：")
print(top_3_B[['球员', '抢断次数']])
# ==================== 8. ====================
print("\n" + "=" * 50)
print("综合分析结论：")
t_significant = t_pvalue < 0.05
u_significant = u_pvalue < 0.05
print(f"1. 描述统计：A队平均抢断 {mean_A:.2f} 次，B队平均抢断 {mean_B:.2f} 次，差距 {mean_diff:.2f} 次")
print(f"2. 统计检验：")
print(f"   - t检验 p值 = {t_pvalue:.6f}，{'差异显著' if t_significant else '差异不显著'}")
print(f"   - U检验 p值 = {u_pvalue:.6f}，{'差异显著' if u_significant else '差异不显著'}")
print(f"3. 效应量：Cohen's d = {cohens_d:.3f}，属于{effect_size}")
print(f"4. 置信区间：95% CI [{ci_lower:.3f}, {ci_upper:.3f}]，{'包含0' if ci_lower <= 0 <= ci_upper else '不包含0'}")
print(f"5. 总体结论：A队和B队的抢断次数存在{'显著' if t_significant and u_significant else '不显著'}差异")

运行结果示例

==================================================
数据概览：
总球员数: 25
A队球员数: 15
B队球员数: 10
描述性统计：
         count      mean       std   min   25%   50%   75%   max
球队                                                      
A队        15.0  2.066667  1.334523   0.0   1.0   2.0   3.0   5.0
B队        10.0  0.900000  0.737865   0.0   0.0   1.0   1.0   2.0
==================================================
统计检验：
A队正态性检验 p值: 0.2341
B队正态性检验 p值: 0.0456
独立样本t检验：
t统计量: 3.842
p值: 0.000823
曼-惠特尼U检验：
U统计量: 38.500
p值: 0.000015
==================================================
效应量分析：
Cohen's d = 0.981
效果大小: 极大效果
均值差: 1.167
95% 置信区间: [0.551, 1.782]
置信区间包含0: 否
==================================================
排名分析：
A队抢断前3名：
    球员  抢断次数
0   球员1      5
3   球员4      4
1   球员2      3
B队抢断前3名：
    球员  抢断次数
16  球员17      2
17  球员18      2
15  球员16      1