python案例认为主裁判风格影响比赛吗？

wen python案例 2026-08-19 4

本文目录导读：

案例设计思路
完整代码实现
代码运行结果解读
对现实足球的启发

这是一个非常经典且有趣的数据分析问题,在足球、篮球等比赛中，裁判风格确实会对比赛结果和过程产生实质性的影响。

下面我为你设计一个完整的Python案例分析，从数据模拟到统计分析再到可视化，一步步论证裁判风格对比赛的影响。

案例设计思路

我们将模拟一个赛季的足球比赛数据,假设存在两种类型的裁判：

严格型裁判：出牌多、判罚尺度严。
宽松型裁判：出牌少、鼓励身体对抗。

我们通过分析进球数、犯规数和红黄牌数来观察比赛是否受到裁判风格的影响。

完整代码实现

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
# 设置随机种子，保证结果可复现
np.random.seed(42)
# ================= 1. 模拟数据生成 =================
print("="*50)
print("第一步：模拟一个赛季的比赛数据")
print("="*50)
# 创建模拟数据：100场比赛，每场由不同风格的裁判执法
n_matches = 100
# 裁判风格：0 = 宽松型, 1 = 严格型
referee_style = np.random.choice([0, 1], size=n_matches, p=[0.5, 0.5])
data = pd.DataFrame({
    'match_id': range(1, n_matches+1),
    'referee_style': referee_style,
    # 进球数：严格型裁判比赛进球略少（更易打断节奏）
    'goals': np.where(referee_style == 1, 
                      np.random.poisson(lam=2.2, size=n_matches),  # 严格裁判
                      np.random.poisson(lam=2.8, size=n_matches)), # 宽松裁判
    # 犯规数：严格型裁判比赛犯规较少（球员不敢动作过大）
    'fouls': np.where(referee_style == 1,
                      np.random.randint(10, 18, size=n_matches),
                      np.random.randint(18, 25, size=n_matches)),
    # 黄牌数：严格型裁判出牌更多
    'yellow_cards': np.where(referee_style == 1,
                             np.random.randint(4, 8, size=n_matches),
                             np.random.randint(1, 4, size=n_matches)),
    # 红牌数：严格型裁判更容易出示红牌
    'red_cards': np.where(referee_style == 1,
                          np.random.poisson(lam=0.4, size=n_matches),
                          np.random.poisson(lam=0.15, size=n_matches)),
})
# 为数据添加可读性标签
data['referee_label'] = data['referee_style'].map({0: '宽松型', 1: '严格型'})
print(data.head(10))
print("\n数据集概览：")
print(data.groupby('referee_label')[['goals', 'fouls', 'yellow_cards', 'red_cards']].mean().round(2))
# ================= 2. 统计检验（双样本T检验） =================
print("\n" + "="*50)
print("第二步：独立样本T检验（检验差异是否显著）")
print("="*50)
for column in ['goals', 'fouls', 'yellow_cards', 'red_cards']:
    strict_group = data[data['referee_style'] == 1][column]
    lenient_group = data[data['referee_style'] == 0][column]
    # 运行独立样本T检验
    t_stat, p_value = stats.ttest_ind(strict_group, lenient_group)
    # 判定显著性
    significance = "显著" if p_value < 0.05 else "不显著"
    print(f"\n{column.upper()}: T统计量 = {t_stat:.3f}, P值 = {p_value:.4f} → 差异{significance}")
# ================= 3. 可视化对比 =================
print("\n" + "="*50)
print("第三步：可视化对比")
print("="*50)
# 设置画布
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
# 定义绘制柱状图的函数
def plot_comparison(ax, column, title, color1='skyblue', color2='salmon'):
    means = data.groupby('referee_label')[column].mean()
    stds = data.groupby('referee_label')[column].std()
    bars = ax.bar(means.index, means.values, yerr=stds.values, 
                  capsize=5, color=[color1, color2], alpha=0.8, edgecolor='black')
    ax.set_title(title, fontsize=14, fontweight='bold')
    ax.set_ylabel('平均值')
    ax.grid(axis='y', alpha=0.3)
    ax.axhline(y=means.mean(), color='gray', linestyle='--', alpha=0.7, label='总体均值')
    ax.legend()
    # 在每个柱子上添加数值
    for bar, val in zip(bars, means.values):
        ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.1, 
                f'{val:.2f}', ha='center', va='bottom', fontweight='bold')
# 绘制四个指标的对比
plot_comparison(axes[0,0], 'goals', '进球数对比', '#4CAF50', '#FF9800')
plot_comparison(axes[0,1], 'fouls', '犯规数对比', '#2196F3', '#F44336')
plot_comparison(axes[1,0], 'yellow_cards', '黄牌数对比', '#FFC107', '#9C27B0')
plot_comparison(axes[1,1], 'red_cards', '红牌数对比', '#00BCD4', '#795548')
plt.suptitle('裁判风格对比赛数据的影响 —— 可视化对比', fontsize=16, fontweight='bold', y=1.02)
plt.tight_layout()
plt.show()
# ================= 4. 相关性热力图 =================
print("\n" + "="*50)
print("第四步：相关性分析（裁判风格与其他指标的相关性）")
print("="*50)
# 计算相关系数矩阵
corr_columns = ['referee_style', 'goals', 'fouls', 'yellow_cards', 'red_cards']
correlation_matrix = data[corr_columns].corr()
plt.figure(figsize=(8, 6))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0, 
            fmt='.3f', linewidths=0.5, square=True, cbar_kws={'shrink': 0.8})'变量相关性热力图', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.show()
# 输出关键相关性
print("\n裁判风格与各指标的相关性系数：")
for col in ['goals', 'fouls', 'yellow_cards', 'red_cards']:
    corr_val = correlation_matrix.loc['referee_style', col]
    print(f"  {col}: {corr_val:.3f}")
# ================= 5. 结论输出 =================
print("\n" + "="*50)
print("第五步：结论总结")
print("="*50)
# 计算最终的平均差异
goal_diff = data[data['referee_style']==1]['goals'].mean() - data[data['referee_style']==0]['goals'].mean()
foul_diff = data[data['referee_style']==1]['fouls'].mean() - data[data['referee_style']==0]['fouls'].mean()
yellow_diff = data[data['referee_style']==1]['yellow_cards'].mean() - data[data['referee_style']==0]['yellow_cards'].mean()
red_diff = data[data['referee_style']==1]['red_cards'].mean() - data[data['referee_style']==0]['red_cards'].mean()
print(f"""
📊 分析结论：
   1. 整体来看，主裁判风格对比赛确实存在显著影响。
   2. 具体表现在：
      - 严格型裁判执法下，场均进球数比宽松型裁判 {abs(goal_diff):.2f} 个（{'减少' if goal_diff < 0 else '增加'}）
      - 严格型裁判执法下，场均犯规数比宽松型裁判 {abs(foul_diff):.2f} 次（{'减少' if foul_diff < 0 else '增加'}）
      - 严格型裁判场均多出示 {yellow_diff:.2f} 张黄牌
      - 严格型裁判场均多出示 {red_diff:.2f} 张红牌
   3. 但这些影响的程度（效应量）取决于具体项目，
      - 对进球数的影响是间接的（通过打乱节奏）
      - 对牌数的影响是最直接的（规则执行尺度）
""")
# 额外的进阶分析：箱线图展示分布差异
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
sns.boxplot(x='referee_label', y='goals', data=data, ax=axes[0], palette=['skyblue', 'salmon'])
axes[0].set_title('进球数分布对比', fontweight='bold')
sns.boxplot(x='referee_label', y='yellow_cards', data=data, ax=axes[1], palette=['skyblue', 'salmon'])
axes[1].set_title('黄牌数分布对比', fontweight='bold')
plt.tight_layout()
plt.show()