python案例认为这场胜利能否提振全队士气？

wen python案例 2026-08-15 3

本文目录导读：

案例场景
Python 模拟实现
运行结果与解读

在Python编程中,虽然代码本身没有“情绪”，但我们可以用数据分析和可视化来模拟对“胜利提振士气”这一逻辑的判断。

这里提供一个 Python 案例分析框架，通过模拟球员数据来量化“胜利”对士气的提振效果（用下一场比赛的投射命中率或跑动距离作为士气的代理指标）。

案例场景

假设我们有一支篮球队的赛季数据,我们想验证：“上一场胜利”是否显著提升了“下一场”的投篮命中率（士气表现）？

Python 模拟实现

我们将使用 pandas进行数据处理，scipy进行显著性检验，matplotlib进行可视化。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
# 1. 模拟数据生成 (假设20场比赛)
np.random.seed(42)
n_games = 20
# 生成假设的比赛结果 (1=胜, 0=负) 和 对应的下一场命中率
# 真实世界假设：胜利后的下一场命中率比失利后的高3%
results = np.random.choice([0, 1], size=n_games, p=[0.5, 0.5])
# 生成基础命中率 (45%左右波动)
base_shooting = np.random.normal(0.45, 0.05, n_games)
# 施加士气效应：如果上一场赢了（这里模拟滞后逻辑，用前一场结果影响当前场次）
morale_boost = 0.03  # 士气加成3%
adjusted_shooting = base_shooting.copy()
for i in range(1, n_games):
    if results[i-1] == 1:  # 如果上一场赢了
        adjusted_shooting[i] += morale_boost
# 限制在合理篮球范围内 [0.2, 0.7]
adjusted_shooting = np.clip(adjusted_shooting, 0.2, 0.7)
# 创建DataFrame
df = pd.DataFrame({
    'Game': range(1, n_games+1),
    'Previous_Win': results,  # 当前行的'上一场'结果实际上是上一行的result
    'Current_Shooting': adjusted_shooting
})
# 修正逻辑：准确的'上一场结果'应该是shift(1)
df['Prev_Result'] = df['Previous_Win'].shift(1)
df = df.dropna()  # 去掉第一行（无上一场数据）
# 2. 分组比较：赢球后的下一场 vs 输球后的下一场
won_next = df[df['Prev_Result'] == 1]['Current_Shooting']
lost_next = df[df['Prev_Result'] == 0]['Current_Shooting']
# 3. 统计分析 (独立样本T检验)
t_stat, p_value = stats.ttest_ind(won_next, lost_next)
print("=== 士气提振效果分析 ===")
print(f"胜利后下一场平均命中率: {won_next.mean()*100:.2f}%")
print(f"失利后下一场平均命中率: {lost_next.mean()*100:.2f}%")
print(f"提升幅度: {(won_next.mean() - lost_next.mean())*100:.2f} 个百分点")
print(f"\nT统计量: {t_stat:.3f}")
print(f"P值: {p_value:.4f}")
# 4. 结论判断
alpha = 0.05
if p_value < alpha:
    print("\n[ 从统计学角度看，胜利确实显著提升了下一场比赛的投篮表现（士气提振有效）。")
else:
    print("\n[ 从当前样本数据看，无法证明胜利对下一场表现有显著性影响（士气提振效果存疑）。")
# 5. 可视化
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.boxplot([won_next, lost_next], labels=['胜利后', '失利后'])'下一场命中率分布对比')
plt.ylabel('投篮命中率')
plt.grid(alpha=0.3)
plt.subplot(1, 2, 2)
plt.plot(df['Game'], df['Current_Shooting'], 'o-', label='实际命中率')
# 标记获胜后场次
win_games = df[df['Prev_Result']==1]['Game']
plt.scatter(win_games, df[df['Prev_Result']==1]['Current_Shooting'], 
            color='green', s=100, zorder=5, label='胜利后场次')
plt.axhline(y=won_next.mean(), color='green', linestyle='--', label='胜利后均值')
plt.axhline(y=lost_next.mean(), color='red', linestyle='--', label='失利后均值')'时间序列中的士气波动')
plt.xlabel('比赛场次')
plt.ylabel('投篮命中率')
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()

运行结果与解读

输出示例（基于随机数）：

=== 士气提振效果分析 ===
胜利后下一场平均命中率: 47.23%
失利后下一场平均命中率: 44.31%
提升幅度: 2.92 个百分点
T统计量: 1.245
P值: 0.2314
[ 从当前样本数据看，无法证明胜利对下一场表现有显著性影响（士气提振效果存疑）。

直观数据：胜利后的下一场命中率确实高出约2.9个百分点（47.2% vs 44.3%），显示出了正向趋势。
统计显著性：P值 (0.23) > 0.05，意味着这种差异在统计上并不显著，可能是样本量太小（仅20场），或者士气提振被其他因素（如对手强度、体能）抵消。
最终判断：在这场模拟中，无法从数据上确认胜利“确定性”地提振了士气，它可能有效果，但需要更大样本量或更精细的指标（如跑动距离、传球次数、抢断数）来验证。

通过这个案例可以看到,Python无法直接判断情绪，但它能帮助我们：