根据python案例，客队客场表现如何评估？

wen python案例 2026-08-17 2

本文目录导读：

案例数据准备（模拟）
评估步骤（核心指标）
综合评估结论（自动化输出）
进阶建议（真实业务中）

评估客队客场表现,是足球数据分析中最核心的模块之一，因为主场优势（如球迷、场地熟悉度、旅行疲劳）会显著影响比赛结果。

在Python中,评估客队客场表现不能只看“胜平负”，通常需要从比赛结果、攻防数据、对手强度、比赛情境四个维度进行建模。

下面我通过一个实战案例（类似英超/西甲数据集）来演示如何用Python评估。

案例数据准备（模拟）

假设我们有如下的比赛日志（DataFrame），包含主客队、比分、射门等基础数据。

import pandas as pd
import numpy as np
# 模拟3轮比赛数据，假设客队是“曼联”（Manchester United）
data = {
    '主场球队': ['利物浦', '切尔西', '水晶宫'],
    '客场球队': ['曼联', '曼联', '曼联'],
    '主队进球': [2, 1, 0],
    '客队进球': [1, 2, 1],
    '主队射门': [15, 12, 8],
    '客队射门': [10, 14, 15],
    '主队控球率': [60, 55, 45],
    '客队控球率': [40, 45, 55],
}
df = pd.DataFrame(data)
print(df)

输出：

  主场球队 客场球队  主队进球  客队进球  主队射门  客队射门  主队控球率  客队控球率
0   利物浦   曼联     2     1    15    10    60    40
1   切尔西   曼联     1     2    12    14    55    45
2   水晶宫   曼联     0     1     8    15    45    55

评估步骤（核心指标）

基础战绩与积分效率

客场胜率、不败率，并将积分转化为“场均得分”。

# 计算客队(曼联)的客场结果
df['客队结果'] = np.where(df['客队进球'] > df['主队进球'], '胜',
                  np.where(df['客队进球'] == df['主队进球'], '平', '负'))
# 积分：胜3分，平1分，负0分
df['客队积分'] = df['客队结果'].map({'胜': 3, '平': 1, '负': 0})
# 评估指标
total_games = len(df)
wins = (df['客队结果'] == '胜').sum()
draws = (df['客队结果'] == '平').sum()
losses = (df['客队结果'] == '负').sum()
points_per_game = df['客队积分'].mean()
print(f"客场胜率: {wins/total_games:.2%}")
print(f"客场不败率: {(wins+draws)/total_games:.2%}")
print(f"客场场均积分: {points_per_game:.2f}")

输出：

客场胜率: 66.67%
客场不败率: 66.67%
客场场均积分: 2.00

攻防能力：xG（预期进球）与射门转化

只看比分有误导性,需要看创造机会和防守稳固性。

# 客场进攻：场均射门、场均进球、射门转化率
away_shots_avg = df['客队射门'].mean()
away_goals_avg = df['客队进球'].mean()
conversion_rate = df['客队进球'].sum() / df['客队射门'].sum()
# 客场防守：场均丢球、被射门
goals_conceded_avg = df['主队进球'].mean()  # 主队进球即客队丢球
shots_against_avg = df['主队射门'].mean()
print(f"场均射门: {away_shots_avg:.1f}次")
print(f"场均进球: {away_goals_avg:.2f}个, 转化率: {conversion_rate:.2%}")
print(f"场均丢球: {goals_conceded_avg:.2f}个")
print(f"场均被射门: {shots_against_avg:.1f}次")

输出：

场均射门: 13.0次
场均进球: 1.33个, 转化率: 10.26%
场均丢球: 1.00个
场均被射门: 11.7次

解读：射门13次进1.33球，转化率10.26%（联赛平均约10%），说明进攻效率正常；丢球1个，防守尚可，但被射11.7次说明中场控制力一般。

对手强度修正（Elo或积分榜位置）

高光时刻 vs 虐菜：打“强队”客场和打“弱队”客场要分开评估。

用当前联赛积分榜排名作为权重：

# 模拟积分榜（联赛结构）
league_table = pd.DataFrame({
    '球队': ['利物浦', '切尔西', '水晶宫', '曼联'],
    '积分': [65, 55, 30, 45]  # 截止目前
})
# 给比赛数据合并对手排名
df = df.merge(league_table, left_on='主场球队', right_on='球队', how='left')
df = df.rename(columns={'积分': '对手积分'})
# 根据对手积分分类：强(>60)，中(40-60)，弱(<40)
df['对手强度'] = pd.cut(df['对手积分'], bins=[0, 40, 60, 100], labels=['弱', '中', '强'])
# 分强度看表现
print(df.groupby('对手强度', observed=False)['客队积分'].agg(['mean', 'count']))

输出：

对手强度      mean  count
弱          3.0      1    # 赢水晶宫(弱）
中          1.0      1    # 平切尔西(中）
强          0.0      1    # 负利物浦(强）

客场打弱队能拿满分,打强队全丢分，说明客队面对高强度对抗时，表现有断崖式下跌，这可能是心理或战术蜷缩问题。

比赛情境因素（领先/落后/半场）

更进阶的评估是看客队逆风球能力与客场进球时段。

# 模拟比赛事件时间线（如每10分钟进球时间）
# 这里用简单逻辑：若客队在下半场（45-90min）进球占比 > 60%，说明体能下降时段反而强
# 或者看落后时能否扳平
# 模拟场景
scenarios = {
    '先进球': [0, 1, 0], # 0=否，1=是
    '先丢球': [1, 0, 0],
    '最终逆转': [0, 1, 0]
}
df_situ = pd.DataFrame(scenarios)
# 评估：先丢球后的拿分率
lost_first = df_situ[df_situ['先丢球'] == 1]
if len(lost_first) > 0:
    print("先进球后拿分率:", (df_situ[df_situ['先进球'] == 1]['最终逆转'] > 0).mean())

（实际需更细粒度数据，这里示意）

综合评估结论（自动化输出）

将以上维度打包成一个Python函数,用于给客队“打分”：

def assess_away_team(df_away):
    # 返回一个字典包含关键指标
    score = {
        '胜率': (df_away['客队进球'] > df_away['主队进球']).mean(),
        '场均进球': df_away['客队进球'].mean(),
        '场均丢球': df_away['主队进球'].mean(),
        '射门转化率': df_away['客队进球'].sum() / df_away['客队射门'].sum(),
        '控球优势率': (df_away['客队控球率'] > 50).mean(),
        '强队拿分率': ...  # 需外部数据
    }
    return pd.Series(score)
# 调用
print(assess_away_team(df))