python案例怎么看两队的主客场战绩差异？

wen python案例 2026-08-09 250

本文目录导读：

第一步：导入库并加载数据
第二步：数据处理（生成“胜平负”标记）
第三步：统计两队主客场战绩
第四步：可视化对比
第五步：进阶分析（关键洞察）
完整代码合并（直接运行）

在Python中分析两队的主客场战绩差异,通常需要经历数据准备、数据清洗、统计分析和可视化四个步骤。

由于你没有提供具体的CSV或数据库格式,我假设你已经有一份包含比赛记录的数据表（例如CSV文件），包含以下关键字段：

Date（日期）
Home_Team（主队名称）
Away_Team（客队名称）
Home_Score（主队得分）
Away_Score（客队得分）

下面是完整的实战案例,使用 pandas 和 matplotlib / seaborn 来实现。

第一步：导入库并加载数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文显示（避免乱码）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 'Arial Unicode MS' for Mac
plt.rcParams['axes.unicode_minus'] = False
# 假设你的数据在 'matches.csv' 中
df = pd.read_csv('matches.csv')
# 查看数据概览
print(df.head())
print(df.info())

第二步：数据处理（生成“胜平负”标记）

我们需要为每一场比赛确定主队和客队的胜负结果。

# 计算主队和客队的得分差
df['Home_Win'] = (df['Home_Score'] > df['Away_Score']).astype(int)
df['Draw'] = (df['Home_Score'] == df['Away_Score']).astype(int)
df['Away_Win'] = (df['Home_Score'] < df['Away_Score']).astype(int)

第三步：统计两队主客场战绩

我们想要看某两队之间的对话，或者全联盟球队各自的主客场胜率。

场景A：关注特定两队（湖人”和“勇士”）

def analyze_head_to_head(df, team_a, team_b):
    # 筛选出这两队交手的比赛
    mask = ((df['Home_Team'] == team_a) & (df['Away_Team'] == team_b)) | \
           ((df['Home_Team'] == team_b) & (df['Away_Team'] == team_a))
    matches = df[mask].copy()
    # 分别统计 A 队主场和客场战绩
    a_home = matches[(matches['Home_Team'] == team_a)]
    a_away = matches[(matches['Away_Team'] == team_a)]
    # 计算A队主场胜率
    a_home_wins = a_home['Home_Win'].sum()
    a_home_losses = len(a_home) - a_home_wins - a_home['Draw'].sum()
    # 计算A队客场胜率
    a_away_wins = a_away['Away_Win'].sum()
    a_away_losses = len(a_away) - a_away_wins - a_away['Draw'].sum()
    result = {
        'Team': team_a,
        'Home_Played': len(a_home),
        'Home_Wins': a_home_wins,
        'Home_Losses': a_home_losses,
        'Home_Win_Rate': round(a_home_wins / len(a_home) * 100, 1) if len(a_home) > 0 else 0,
        'Away_Played': len(a_away),
        'Away_Wins': a_away_wins,
        'Away_Losses': a_away_losses,
        'Away_Win_Rate': round(a_away_wins / len(a_away) * 100, 1) if len(a_away) > 0 else 0,
    }
    return result
# 使用示例
result = analyze_head_to_head(df, '湖人', '勇士')
print(result)

场景B：分析全联盟所有球队的主客场胜率对比

def analyze_all_teams(df):
    all_teams = pd.unique(df[['Home_Team', 'Away_Team']].values.ravel())
    records = []
    for team in all_teams:
        # 主场数据
        home_games = df[df['Home_Team'] == team]
        home_wins = home_games['Home_Win'].sum()
        home_played = len(home_games)
        home_rate = home_wins / home_played * 100 if home_played > 0 else 0
        # 客场数据
        away_games = df[df['Away_Team'] == team]
        away_wins = away_games['Away_Win'].sum()
        away_played = len(away_games)
        away_rate = away_wins / away_played * 100 if away_played > 0 else 0
        records.append({
            'Team': team,
            'Home_Played': home_played,
            'Home_Win_Rate': round(home_rate, 1),
            'Away_Played': away_played,
            'Away_Win_Rate': round(away_rate, 1),
            'Home_Away_Diff': round(home_rate - away_rate, 1)  # 主客场差异值
        })
    return pd.DataFrame(records)
team_stats = analyze_all_teams(df)
print(team_stats.sort_values('Home_Away_Diff', ascending=False))

第四步：可视化对比

条形图对比（特定两队或全队）

# 假设用全联盟数据
team_stats_sorted = team_stats.sort_values('Home_Win_Rate', ascending=False).head(10)
fig, ax = plt.subplots(figsize=(12, 6))
x = np.arange(len(team_stats_sorted))  # 标签位置
width = 0.35  # 柱宽度
bars1 = ax.bar(x - width/2, team_stats_sorted['Home_Win_Rate'], width, label='主场胜率', color='#1f77b4')
bars2 = ax.bar(x + width/2, team_stats_sorted['Away_Win_Rate'], width, label='客场胜率', color='#ff7f0e')
ax.set_xlabel('球队')
ax.set_ylabel('胜率 (%)')
ax.set_title('球队主客场胜率对比 (Top 10)')
ax.set_xticks(x)
ax.set_xticklabels(team_stats_sorted['Team'], rotation=45, ha='right')
ax.legend()
ax.grid(axis='y', linestyle='--', alpha=0.7)
plt.tight_layout()
plt.show()

散点图（主场胜率 vs 客场胜率）

plt.figure(figsize=(8, 8))
sns.scatterplot(data=team_stats, x='Home_Win_Rate', y='Away_Win_Rate', s=100, color='purple')
# 添加对角线作为参考（如果主场=客场则在对角线上）
plt.plot([0, 100], [0, 100], 'k--', alpha=0.5, label='主客胜率相等')
# 为每个点标注球队名
for i, row in team_stats.iterrows():
    plt.text(row['Home_Win_Rate']+0.5, row['Away_Win_Rate']+0.5, row['Team'], fontsize=8)
plt.xlabel('主场胜率 (%)')
plt.ylabel('客场胜率 (%)')'主场 vs 客场胜率散点图')
plt.grid(True, linestyle='--', alpha=0.5)
plt.legend()
plt.show()

第五步：进阶分析（关键洞察）

计算“主场优势”系数：

avg_home_rate = team_stats['Home_Win_Rate'].mean()
avg_away_rate = team_stats['Away_Win_Rate'].mean()
print(f"联盟平均主场胜率: {avg_home_rate:.1f}%")
print(f"联盟平均客场胜率: {avg_away_rate:.1f}%")
print(f"平均主场优势: {avg_home_rate - avg_away_rate:.1f} 个百分点")

找出“客场虫”和“客场龙”：

# 主场强但客场弱的队伍（差距最大）
print("\n主场优势最大的队伍：")
print(team_stats.nlargest(5, 'Home_Away_Diff')[['Team', 'Home_Win_Rate', 'Away_Win_Rate', 'Home_Away_Diff']])
# 客场表现反而更好的队伍
print("\n客场表现优于主场的队伍：")
print(team_stats.nsmallest(5, 'Home_Away_Diff')[['Team', 'Home_Win_Rate', 'Away_Win_Rate', 'Home_Away_Diff']])

完整代码合并（直接运行）

如果你有 pandas, matplotlib, seaborn，可以直接复制以下精简版脚本：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 假设 df 是你读取的DataFrame
# df = pd.read_csv('your_file.csv')
# 1. 计算胜负
df['Home_Win'] = (df['Home_Score'] > df['Away_Score']).astype(int)
df['Draw'] = (df['Home_Score'] == df['Away_Score']).astype(int)
df['Away_Win'] = (df['Home_Score'] < df['Away_Score']).astype(int)
# 2. 统计所有球队
all_teams = pd.unique(df[['Home_Team', 'Away_Team']].values.ravel())
rows = []
for team in all_teams:
    h = df[df['Home_Team'] == team]
    a = df[df['Away_Team'] == team]
    h_wins = h['Home_Win'].sum()
    a_wins = a['Away_Win'].sum()
    h_rate = h_wins / len(h) * 100 if len(h) else 0
    a_rate = a_wins / len(a) * 100 if len(a) else 0
    rows.append({
        'Team': team,
        'Home_Rate': round(h_rate, 1),
        'Away_Rate': round(a_rate, 1),
        'Diff': round(h_rate - a_rate, 1)
    })
stats = pd.DataFrame(rows)
print(stats.sort_values('Diff', ascending=False))
# 3. 可视化
plt.figure(figsize=(10, 6))
sns.scatterplot(data=stats, x='Home_Rate', y='Away_Rate', s=100)
plt.plot([0, 100], [0, 100], 'k--', alpha=0.6)
for _, r in stats.iterrows():
    plt.text(r['Home_Rate']+0.8, r['Away_Rate']+0.8, r['Team'], fontsize=7)
plt.xlabel('主场胜率 (%)')
plt.ylabel('客场胜率 (%)')'各队主客场胜率分布')
plt.grid(True, ls='--', alpha=0.5)
plt.tight_layout()
plt.show()

如果数据格式不同（比如没有“主客场”字段），或者想进一步做赛前预测（如用逻辑回归预测主队获胜概率），可以告诉我你的具体数据结构，我可以帮你调整代码。

本文地址： https://www.bmjup.com/post/41918.html