本文目录导读：
- 第一部分：核心评估模型（KPI定义）
- 第二部分：实用脚本逻辑（Python伪代码 & 结构）
- 第三部分：更实用的“一手数据”获取法（无数据源）
- 第四部分：实战案例演示（假设数据）
- 第五部分：注意事项（避坑指南）
评估教练的“换人得分能力”（即通过替补球员改变比赛走势、直接贡献进球或助攻的能力），是一项非常专业且需要数据建模的工作，它不能只看“换上去的人进了几个球”，而必须排除“球队本来就会赢”的干扰。
这里提供一个实战向、可落地的评估框架和脚本逻辑，分为量化数据模型和脚本实现思路两部分。
第一部分：核心评估模型（KPI定义）
要“科学”评估，必须建立预期值（Baseline），我们用以下五个核心指标来构建评估体系：
-
净胜球影响率（Net Goal Impact, NGI）
- 公式：
（替补登场后球队进球数 - 替补登场后球队丢球数） - （该球员未登场时球队同期平均净胜球） - 逻辑： 假设某队全场平均每30分钟净胜0.2球，但某教练在60分钟换上A后，最后30分钟净胜1.0球，则A的NGI为+0.8。
- 公式：
-
直接参与效率（Direct Involvement per 90, DI90）
- 公式：
（替补上场后贡献的进球 + 助攻） / 替补上场总分钟数 * 90 - 逻辑： 这是最原始的冲击力数据，排除了首发球员体能充沛期的数据干扰。
- 公式：
-
战术执行力（XG Differential / 实际进球 vs 预期进球）
- 公式：
替补登场后球队实际进球数 - 替补登场后球队预期进球数（xG） - 逻辑： 如果换人后进球了，但xG极低（如远射或神仙球），说明这属于球员个人能力（灵光一现），而非教练战术安排，我们用这个差值来区分“高质量得分机会”和“个人英雄主义”。
- 公式：
-
换人时点决策系数（Timing Coefficient, TC）
- 公式：
（比赛剩余时间 / 90） * 比分状态权重 - 权重建议：
- 落后时换人：权重1.5
- 平局时换人：权重1.2
- 领先时换人：权重0.8
- 逻辑： 在落后时换人进球的难度远大于领先时，该系数用于修正难度偏差。
- 公式：
-
逆转/绝杀贡献值（Comeback Points, CP）
- 若替补上场后,球队由“平/负”转为“胜”，或者在85分钟后打入扳平/绝杀球，额外加分。
- 逻辑： 这是“大心脏”属性，也是教练临场指挥最高光的体现。
第二部分：实用脚本逻辑（Python伪代码 & 结构）
以下脚本用于处理历史比赛数据，输出教练的换人得分评分卡。
import pandas as pd
import numpy as np
# 假设你有一张DataFrame（events），包含以下字段：
# match_id, minute, event_type(goal/assist/sub_on/sub_off/red_card), player_in, team_goal_diff（换人时球队净胜球数）, is_away, xg_added（该次进攻的xG）
def evaluate_sub_scoring(events_df):
results = {}
# 1. 筛选所有换人事件
subs = events_df[events_df['event_type'] == 'sub_on'].copy()
for _, sub in subs.iterrows():
match_id = sub['match_id']
sub_minute = sub['minute']
player_in = sub['player_in']
# 获取该球员下场后的剩余比赛时间段数据（简化处理，按时间倒推）
# --- 核心计算逻辑 ---
# 1. 计算该球员登场后的球队表现（过滤出比赛时间 >= sub_minute 的事件）
after_sub = events_df[(events_df['match_id'] == match_id) &
(events_df['minute'] >= sub_minute) &
# 排除掉对手的进球（需要判断事件归属）
(events_df['team'] == sub['team'])]
# 计算该球员登场后球队的进球数、丢球数
goals_for = len(after_sub[after_sub['event_type'] == 'goal'])
goals_against = ... # 对进攻球
# 2. 计算该球员直接参与（进球或助攻算1，造点等映射）
direct_involve = after_sub.apply(lambda x: 1 if x['player'] == player_in and x['event_type'] in ['goal','assist'] else 0, axis=1).sum()
# 3. 获取该场比赛的全局基准线（例如全场平均30分钟净胜球）
baseline_df = events_df[events_df['match_id'] == match_id]
# 简单粗暴：用全场平均作为基准
global_gf = len(baseline_df[baseline_df['event_type'] == 'goal'])
global_ga = ...
avg_net_per_min = (global_gf - global_ga) / 90
# 4. 计算预期净胜球（用于排除运气）
xg_after = after_sub['xg_added'].sum() / (90 - sub_minute) * 90
# 5. 计算综合得分（示例权重）
# 实际净胜时间比
net_effect = (goals_for - goals_against) - avg_net_per_min * (90 - sub_minute)
# 战术价值：实际进球 - 预期进球
tactical_value = (goals_for - xg_after) if goals_for > 0 else 0
# 6. 难度系数（比分状态）
score_diff_at_sub = sub['team_goal_diff']
if score_diff_at_sub < 0: # 落后
difficulty = 1.4
elif score_diff_at_sub == 0: # 平局
difficulty = 1.2
else:
difficulty = 0.9
# 汇总到该球员（或该教练的名下）
score = (direct_involve * 2) + (net_effect * 1.0) + (tactical_value * 1.5)
final_score = score * difficulty
results[(match_id, player_in)] = final_score
# 聚合到教练维度（需要sub表有coach字段）
return pd.DataFrame(results.items(), columns=['key', 'score']).groupby('coach').mean()
第三部分：更实用的“一手数据”获取法（无数据源）
如果你没有专业的数据API（如Opta、StatsBomb），可以用抓取公开文字直播/赛后统计的方式，编写一个简化版脚本：
- 输入：直接从懂球帝、Whoscored等网站复制比赛事件文本（如：“，第60分钟，换人，9号张三上，7号李四下”）。
- 脚本处理：
- 用正则表达式提取：分钟、替换球员名字、当时的比分。
- 记录该球员上场后,到比赛结束（或下一次换人）期间发生的射正、进球事件。
- 计算“每一百分钟换人贡献指数” = （该球员登场后的球队进球数 2 - 丢球数 1.5） / 登场时间。
第四部分：实战案例演示（假设数据）
假设我们统计了某教练在2024赛季的12次换人：
| 比赛 | 换人时比分（我方-对方） | 换人时间 | 登场球员 | 登场后球队进/丢球（至结束） | XG差值 |
|---|---|---|---|---|---|
| 对A队 | 0-1（落后） | 60' | 前锋X | 进2球，丢0球 | +1.2 |
| 对B队 | 1-1（平局） | 70' | 中场Y | 进0球，丢0球 | -0.1 |
| 对C队 | 2-0（领先） | 65' | 前锋Z | 进1球，丢1球 | +0.5 |
脚本输出评分结果：
- 对A队：落后+逆转 → 难度1.4，净胜+2，直接参与2球 → 得分极高（9.8分）
- 对B队：平局+换人无效果 → 净胜0，XG-0.1 → 得分低（1.2分）
- 对C队：领先+锦上添花 → 难度0.9，净胜0（进1丢1） → 得分中等（3.1分）
最终该教练的“平均换人得分能力”为： (9.8 + 1.2 + 3.1) / 3 ≈ 4.7分
第五部分：注意事项（避坑指南）
- 排除“红牌”干扰：如果换人是因为有人被罚下，数据应剔除，否则会严重低估教练的换人能力。
- 对手质量加权：如果面对的是曼城或皇马，和面对保级队的换人得分，含金量完全不同，建议脚本里加入
对手排名权重（对手排名1-3名，系数1.3；保级队系数0.7）。 - 区分“教练要求”还是“球员自主”：数据无法完全体现，但若该球员上场后的大部分进球来源于定位球设计或边路传中战术（这些属于教练安排），则权重应高于单骑闯关的个人进球。
如果你需要更加具体的Python爬虫脚本去抓取特定网站的换人数据，或者需要一个Excel版本的自动计算表模板，可以告诉我你的数据源格式，我来帮你定制。
