根据python案例，替补深度哪队更强？

wen python案例 2026-08-09 156

本文目录导读：

方案一：基于“正负值”和“出场时间”的加权评分（最实用）
方案二：基于“极值分析”的容错率模型
如果你的场景是实际比赛（如NBA 2024赛季）

替补深度”的强弱判断，很难给出绝对答案，因为这取决于评判标准（是看整体阵容厚度、关键位置替补实力，还是轮换球员的季后赛经验）。

我可以给你提供一个基于Python的数据分析框架，你可以用这个代码模型去分析任何球队（比如NBA、英超等）的替补深度。

这里以NBA为例，用Python模拟分析“哪队替补更强”，假设我们有两支球队：A队（首发强但替补弱）和B队（首发中庸但替补深厚）。

基于“正负值”和“出场时间”的加权评分（最实用）

这个方案通过计算球队替补阵容的“净效率值”（Net Rating）来判断深度。

import pandas as pd
import numpy as np
# 1. 模拟数据：列出球队主要轮换球员的数据
# 字段：Player(球员), Team(球队), Minutes(场均分钟), PlusMinus(百回合正负值), IsStarter(是否首发)
data = {
    'Player': ['SGA', 'J-Dub', 'Chet', ' Dort', 'Giddey',  # A队首发
               'Wiggins', 'Joe', 'Isaiah', 'Kenrich',      # A队替补
               'Luka', 'Kyrie', 'Klay', 'PJ', 'Lively',   # B队首发
               'Marshall', 'Grimes', 'Gafford', 'Hardy'],  # B队替补
    'Team': ['A']*9 + ['B']*9,
    'Minutes': [35, 34, 32, 31, 28,   # 首发时间
                22, 20, 18, 12,       # 替补时间
                36, 35, 33, 30, 25,   # 首发时间
                24, 20, 15, 12],      # 替补时间
    'PlusMinus': [8.5, 7.2, 6.8, 4.5, 3.5,   # 首发正负值
                  1.2, 0.8, -0.5, 0.2,       # 替补正负值
                  7.0, 6.5, 4.0, 3.8, 5.5,   # 首发正负值
                  4.5, 3.8, 2.5, 1.0],       # 替补正负值（B队替补明显更强）
    'IsStarter': [True]*5 + [False]*4 + [True]*5 + [False]*4
}
df = pd.DataFrame(data)
# 2. 计算球队整体和替补的效率
# 加权平均正负值：用来衡量每上场一分钟带来的净胜分贡献
df['Weighted_Impact'] = df['PlusMinus'] * (df['Minutes'] / 48)  # 折算到每48分钟
# 3. 筛选替补球员（IsStarter == False）
bench = df[df['IsStarter'] == False].groupby('Team').agg(
    Bench_Mins = ('Minutes', 'sum'),
    Bench_Impact = ('Weighted_Impact', 'sum'),
    Bench_Avg_PM = ('PlusMinus', 'mean')  # 平均正负值
).reset_index()
# 4. 计算“替补深度得分” = 总贡献 / 总替补时间
bench['Depth_Score'] = bench['Bench_Impact'] / bench['Bench_Mins']
print("=== 替补深度分析结果 ===")
print(bench[['Team', 'Bench_Mins', 'Bench_Avg_PM', 'Depth_Score']].to_string(index=False))
# 5. 结论输出
if bench.loc[bench['Team'] == 'A', 'Depth_Score'].values[0] > bench.loc[bench['Team'] == 'B', 'Depth_Score'].values[0]:
    print("\n结论：A队替补深度更强")
else:
    print("\n结论：B队替补深度更强（B队替补上场时间更长且效率更高）")

运行这个代码，你通常会看到：

A队：替补上场时间少（总计约72分钟），且正负值为负或低，深度评分低。
B队：替补上场时间多（总计约71分钟），且正负值为正且高，深度评分明显更高。

基于“极值分析”的容错率模型

如果两队首发打平,谁替补能“咬住比分”甚至“拉开比分”？这需要看替补的下限。

# 只看替补球员的数据
bench_df = df[df['IsStarter'] == False]
# 假设比赛打7场系列赛，我们关注替补球员的得分稳定性（方差越小越稳）
# 模拟每场得分（这里用随机数演示）
np.random.seed(42)
scores = {}
for team in ['A', 'B']:
    team_bench = bench_df[bench_df['Team'] == team]
    # 模拟替补每场总得分 = 人数 * 平均得分 + 波动
    avg_score = team_bench['PlusMinus'].mean() * 10  # 粗略换算
    std_dev = team_bench['PlusMinus'].std() if team_bench['PlusMinus'].std() > 0.5 else 0.5
    # 生成7场比赛的替补得分
    scores[team] = np.random.normal(avg_score, std_dev, 7).clip(min=0)
# 计算哪队替补能更频繁地贡献“+10分以上的正负值”
def performance_metric(team_scores, threshold=10):
    return (team_scores > threshold).sum()
print("\n=== 7场系列赛替补爆发能力（正负值>10的场次）===")
for team, s in scores.items():
    print(f"{team}队: {performance_metric(s)} 场")
print(f"\n最终结论：如果B队替补爆发场次多，说明其深度不仅在常规时间有用，在僵局时也能改变比赛走势。")