综合python案例，哪队争顶头球更有优势？

wen python案例 2026-08-08 243

本文目录导读：

案例背景设定
完整代码实现
代码解释与输出分析
运行结果预期
扩展与思考

这是一个非常经典且有趣的综合Python数据分析案例，我们可以通过模拟比赛数据和统计分析，来量化判断哪支球队在“争顶头球”上更具优势。

为了让大家能直接运行，我会构建一个完整的模拟+分析脚本，该案例将综合运用 pandas（数据处理）、numpy（数值计算）、matplotlib（可视化）和 scipy（统计检验）。

案例背景设定

假设我们有两支球队：

A队（红队）：拥有高大中锋,但中场传中精度一般。
B队（蓝队）：中场技术细腻，传中精准,但后卫线身高偏矮。

我们模拟一场比赛中的 50次 争顶头球机会，记录每次争顶的 球员身高、起跳高度、传中准确度 以及 是否争顶成功。

完整代码实现

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
# 设置中文显示和随机种子（保证结果可复现）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用于显示中文
plt.rcParams['axes.unicode_minus'] = False
np.random.seed(42)
# ---------------------------
# 1. 数据模拟（制造比赛数据）
# ---------------------------
print("="*60)
print("模拟生成比赛数据...")
n_samples = 50  # 50次争顶机会
# A队：身高占优，但传球精度波动大
A_players_height = np.random.normal(185, 6, n_samples)
A_cross_accuracy = np.random.normal(60, 20, n_samples)  # 传球精度（%）
A_jump_height = np.random.normal(70, 10, n_samples)     # 起跳高度（cm）
# B队：传球精度高，但身高偏矮
B_players_height = np.random.normal(178, 5, n_samples)
B_cross_accuracy = np.random.normal(80, 10, n_samples)  # 传球精度更高
B_jump_height = np.random.normal(65, 8, n_samples)      # 起跳高度略低
# 构建DataFrame
df_A = pd.DataFrame({
    '队伍': 'A队（高空轰炸）',
    '身高_cm': A_players_height,
    '传球精度_%': A_cross_accuracy,
    '起跳高度_cm': A_jump_height
})
df_B = pd.DataFrame({
    '队伍': 'B队（传控流）',
    '身高_cm': B_players_height,
    '传球精度_%': B_cross_accuracy,
    '起跳高度_cm': B_jump_height
})
df = pd.concat([df_A, df_B], ignore_index=True)
# ---------------------------
# 2. 逻辑回归计算“争顶优势评分”
# ---------------------------
# 优势得分 = 0.4*身高 + 0.3*起跳高度 + 0.3*传球精度
df['优势评分'] = (0.4 * df['身高_cm'] + 
                0.3 * df['起跳高度_cm'] + 
                0.3 * df['传球精度_%'])
# 设定阈值：评分 > 100 视为“争顶成功”
df['争顶成功'] = (df['优势评分'] > 100).astype(int)
print("\n前10条数据预览：")
print(df.head(10).to_string(index=False))
# ---------------------------
# 3. 统计分析
# ---------------------------
print("\n" + "="*60)
print("统计分析结果：")
# 3.1 分组统计
grouped_stats = df.groupby('队伍')['优势评分'].agg(['mean', 'std', 'count'])
success_rate = df.groupby('队伍')['争顶成功'].mean() * 100
grouped_stats['争顶成功率%'] = success_rate
print("\n【队伍整体优势评分对比】")
print(grouped_stats.round(2))
# 3.2 T检验：检验两队的优势评分是否有显著差异
t_stat, p_value = stats.ttest_ind(df[df['队伍']=='A队（高空轰炸）']['优势评分'],
                                  df[df['队伍']=='B队（传控流）']['优势评分'])
print(f"\nT检验结果：t统计量={t_stat:.2f}, p值={p_value:.4f}")
if p_value < 0.05:
    print("两队的争顶优势存在显著差异（p<0.05）")
else:
    print("两队的争顶优势无显著差异（p>=0.05）")
# ---------------------------
# 4. 可视化分析
# ---------------------------
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
# 图1：优势评分分布对比（箱线图）
sns.boxplot(x='队伍', y='优势评分', data=df, ax=axes[0, 0], palette='Set2')
axes[0, 0].set_title('两队头球优势评分分布对比')
axes[0, 0].axhline(100, color='red', linestyle='--', label='成功阈值(100)')
axes[0, 0].legend()
# 图2：身高与传中精度的散点图（气泡大小代表起跳高度）
scatter = axes[0, 1].scatter(df['身高_cm'], df['传球精度_%'], 
                              s=df['起跳高度_cm']*2, alpha=0.6,
                              c=df['争顶成功'], cmap='coolwarm')
axes[0, 1].set_xlabel('球员身高 (cm)')
axes[0, 1].set_ylabel('传球精度 (%)')
axes[0, 1].set_title('身高与传球精度对成功率的影响\n(点大小=起跳高度，颜色=是否成功)')
plt.colorbar(scatter, ax=axes[0, 1])
# 图3：各因素平均对比柱状图
factors = ['身高_cm', '起跳高度_cm', '传球精度_%']
means_A = df[df['队伍']=='A队（高空轰炸）'][factors].mean()
means_B = df[df['队伍']=='B队（传控流）'][factors].mean()
x = np.arange(len(factors))
width = 0.35
axes[1, 0].bar(x - width/2, means_A, width, label='A队', color='coral')
axes[1, 0].bar(x + width/2, means_B, width, label='B队', color='steelblue')
axes[1, 0].set_xticks(x)
axes[1, 0].set_xticklabels(factors)
axes[1, 0].set_ylabel('平均值')
axes[1, 0].set_title('影响争顶的三大要素平均值对比')
axes[1, 0].legend()
# 图4：成功率与优势评分的散点
axes[1, 1].scatter(df[df['队伍']=='A队（高空轰炸）']['优势评分'], 
                   df[df['队伍']=='A队（高空轰炸）']['争顶成功'], 
                   alpha=0.5, label='A队', color='coral')
axes[1, 1].scatter(df[df['队伍']=='B队（传控流）']['优势评分'], 
                   df[df['队伍']=='B队（传控流）']['争顶成功'], 
                   alpha=0.5, label='B队', color='steelblue')
axes[1, 1].set_xlabel('优势评分')
axes[1, 1].set_ylabel('是否争顶成功')
axes[1, 1].set_title('优势评分与成功率的关系')
axes[1, 1].legend()
plt.tight_layout()
plt.savefig('头球争顶分析.png', dpi=150)
plt.show()
# ---------------------------
# 5. 最终结论
# ---------------------------
print("\n" + "="*60)
print("【最终结论】")
winner = grouped_stats['争顶成功率%'].idxmax()
win_rate = grouped_stats.loc[winner, '争顶成功率%']
print(f"根据模拟数据，{winner} 在争顶头球方面更具优势。")
print(f"其平均争顶成功率高达 {win_rate:.1f}%，且整体优势评分更高。")
print("建议：若B队想提高争顶成功率，应加强后卫选位，或提升边路传中的落点精度，"
      "减少对球员绝对身高的依赖。")

代码解释与输出分析

数据模拟：我们假设A队身高185cm（制空权），B队传球精度80%（喂饼能力），通过设置不同的正态分布参数,模拟真实比赛的不确定性。
综合评分模型：我们将 身高、起跳高度、传球精度 按权重（4:3:3）计算综合优势评分，阈值设为100，超过则计为“争顶成功”。
统计检验：使用 scipy.stats 的独立样本T检验，判断两队的优势评分差异是否具有统计学意义（p值）。
可视化：
- 箱线图展示两队评分分布的重叠程度。
- 散点图体现“一力降十会”（A队） vs “四两拨千斤”（B队）的本质区别。
- 柱状图直观对比三个关键指标。
自动产出结论：根据成功率自动识别哪队更强,并提供战术建议。