python案例复盘称主力伤退影响有多大？

wen python案例 2026-08-15 4

本文目录导读：

第一阶段：数据清洗与事件锚定
第二阶段：构建“反事实”基线（核心）
第三阶段：显著性检验（排除偶然性）
第四阶段：可视化复盘（直接影响汇报效果）
高阶技巧（进阶复盘）

这是一个非常经典的体育数据分析或金融量化分析类项目，要“复盘”主力伤退的影响，核心逻辑在于构建反事实（Counterfactual）框架——即“如果主力没伤，结果会怎样？”。

由于你没有提供具体的比赛数据或代码,我将为你拆解一个通用且标准的Python复盘框架，并给出核心代码逻辑，你可以将其应用在篮球、足球或股市“主力”暴跌的场景中。

第一阶段：数据清洗与事件锚定

主力伤退的影响是非线性的，必须精确锚定事件发生的时间点（比赛进行到第30分钟，或财报发布前3天）。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 假设df包含 [时间序列, 比分/股价, 球员/个股名称, 事件标签]
df = pd.read_csv('match_data.csv', parse_dates=['timestamp'])
# 或者：df = get_stock_data('300750.SZ', start='2024-01-01', end='2024-06-01')
# 定义伤退事件时间点（第二节开场）
injury_time = pd.Timestamp('2024-03-15 20:15:00')
event_mask = df['timestamp'] == injury_time
# 构建“事件前后”窗口（例如前后15分钟）
before_window = df[df['timestamp'] < injury_time].tail(30)  # 前30个数据点
after_window = df[df['timestamp'] >= injury_time].head(30)  # 后30个数据点

第二阶段：构建“反事实”基线（核心）

这是复盘的关键,我们不能用实际表现对比，因为对手防守强度可能变化，我们需要用数学模型预测如果主力还在，指标会怎么走。

线性外推法（适用于节奏稳定的比赛）

from scipy import stats
# 用伤退前5分钟的数据计算得分斜率
x = np.arange(len(before_window))
y = before_window['score'].values
slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
# 预测未来15分钟“若无伤退”的分数趋势
future_x = np.arange(len(before_window), len(before_window)+len(after_window))
predictions = slope * future_x + intercept
# 计算实际值与预测值的偏差（这就是“伤退代价”）
actual_trend = after_window['score'].values
impact_gap = actual_trend - predictions
print(f"伤退导致累计分差偏离: {impact_gap.sum():.2f} 分")

比赛状态预测（基于机器学习） 如果数据更丰富（包含控球率、射门数、命中率等），可以用XGBoost或随机森林训练一个预测模型，输入主力在场时的特征，输出“假设主力在”的预期胜率或期望得分。

from sklearn.ensemble import RandomForestRegressor
# 特征：前10分钟的奔跑距离、触球次数、球员评分等
# 目标：未来30秒内的得分概率/收益率
features = ['avg_speed', 'touch_count', 'player_efficiency']
X_train = df[df['player_on_court'] == True][features]  # 主力在时
y_train = df[df['player_on_court'] == True]['future_return']  # 未来收益
model = RandomForestRegressor()
model.fit(X_train, y_train)
# 预测伤退后的“应有表现”
X_after = df[df['timestamp'] >= injury_time][features]
counterfactual_performance = model.predict(X_after)
# 对比真实表现
real_performance = df[df['timestamp'] >= injury_time]['future_return']
impact = (counterfactual_performance - real_performance).mean()
print(f"主力伤退导致每分钟期望收益下降: {impact:.4f}%")

第三阶段：显著性检验（排除偶然性）

很多复盘会忽略这一点,你需要证明这个影响是显著的，而不是比赛自然波动。

# 使用Bootstrap（重抽样）法检验
from sklearn.utils import resample
np.random.seed(42)
diff_bootstrap = []
for _ in range(10000):
    # 随机抽取同样长度的数据集（假设没伤退的随机结果）
    sample = resample(actual_trend, replace=True, n_samples=len(actual_trend))
    diff_bootstrap.append((sample - predictions).mean())
# 计算P值：实际影响比95%的随机情况更极端吗？
impact_mean = (actual_trend - predictions).mean()
p_value = (np.abs(np.array(diff_bootstrap)) > np.abs(impact_mean)).mean()
print(f"P-value: {p_value:.4f} (如果小于0.05，说明影响显著)")

第四阶段：可视化复盘（直接影响汇报效果）

plt.figure(figsize=(14,6))
# 绘制实际曲线
plt.plot(after_window['timestamp'], actual_trend, label='实际表现(带伤)', color='red', linewidth=2.5)
# 绘制反事实预测曲线
plt.plot(after_window['timestamp'], predictions, label='反事实预测(若无伤)', color='blue', linestyle='--', linewidth=2.5)
# 填充影响区域
plt.fill_between(after_window['timestamp'], predictions, actual_trend, 
                 where=(actual_trend < predictions), color='crimson', alpha=0.3, label='负面影响区域')
plt.axvline(x=injury_time, color='black', linestyle=':', label='伤退发生时刻')'主力伤退影响的因果推断可视化（反事实对比）')
plt.legend()
plt.show()