IT技术社区_专业开发者平台_最新编程教程与解决方案 -沐辰社区

综合python案例，国家队比赛日后遗症存在？

wen python案例 3

本文目录导读：

综合python案例，国家队比赛日后遗症存在？

  1. 案例核心假设
  2. 数据准备（模拟数据生成）
  3. 数据清洗与特征工程
  4. 统计对比分析与验证
  5. 可视化呈现
  6. 深入分析（统计检验）
  7. 进阶扩展（可选）
  8. 总结输出

这是一个很有意思的综合性Python数据分析案例，我们可以通过爬取/获取数据、数据清洗、统计分析和可视化来验证“FIFA病毒”（国家队比赛日后遗症）在足球联赛中是否真实存在。

以下是一个完整的、可直接运行的逻辑框架，使用 pandas、requests（或csv模拟）和 matplotlib 进行演示。

案例核心假设

我们假设“FIFA病毒”存在，即：豪门俱乐部（拥有大量国脚的球队）在国家队比赛日（FIFA International Break）后的第一场联赛中，胜率下降，平局或爆冷输球的概率上升。 主要原因是球员舟车劳顿、体能储备不足和磨合时间短。

数据准备（模拟数据生成）

因为真实数据获取需要API密钥且过程繁琐，为了聚焦于分析逻辑，我们首先生成一份模拟的赛季数据，格式和真实数据（例如英超）完全一致。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm
# 设置中文字体（防止乱码）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 ['Arial Unicode MS'] 在Mac上
plt.rcParams['axes.unicode_minus'] = False
# 1. 生成模拟数据
np.random.seed(42)
# 定义球队和国脚数量（模拟豪门和中下游球队）
teams_data = {
    'Team': ['曼城', '阿森纳', '利物浦', '曼联', '切尔西', '热刺',
             '纽卡斯尔', '阿斯顿维拉', '布莱顿', '西汉姆联', '埃弗顿', '狼队'],
    'National_Players': [12, 11, 10, 9, 10, 8, 4, 3, 5, 2, 1, 1]  # 国脚数量
}
teams_df = pd.DataFrame(teams_data)
# 模拟整个赛季38轮比赛
num_rounds = 38
all_records = []
for season in [2023]:  # 只模拟一个赛季
    for round_num in range(1, num_rounds + 1):
        # 随机配对主客场（简化，不考虑赛程冲突）
        teams_list = teams_df['Team'].tolist()
        for i in range(0, len(teams_list), 2):
            home = teams_list[i]
            away = teams_list[i+1]
            # 判断是否为“国家队比赛日后的第一场”
            # 假设每5轮比赛后有一次国际比赛日
            is_fifa_aftermath = (round_num % 5 == 1) and (round_num > 1)
            # 实力等级（基于国脚数量）
            home_strength = teams_df.loc[teams_df['Team'] == home, 'National_Players'].values[0]
            away_strength = teams_df.loc[teams_df['Team'] == away, 'National_Players'].values[0]
            # 如果是FIFA病毒期，豪门（国脚>=8）表现打折
            # 逻辑：国脚多的球队实力系数减弱
            if is_fifa_aftermath:
                home_adj = 0.95 if home_strength >= 8 else 1.0
                away_adj = 0.95 if away_strength >= 8 else 1.0
            else:
                home_adj = 1.0
                away_adj = 1.0
            # 根据实力计算进球期望值（泊松分布简化）
            home_expected = (home_strength / 10) * home_adj
            away_expected = (away_strength / 10) * away_adj
            # 添加主场优势
            home_goals = np.random.poisson(max(home_expected * 1.2 + 0.3, 0))
            away_goals = np.random.poisson(max(away_expected * 0.9, 0))
            # 判定胜负（1-主胜，0-平，-1-客胜）
            if home_goals > away_goals:
                result = 1
                winner = home
            elif home_goals == away_goals:
                result = 0
                winner = 'Draw'
            else:
                result = -1
                winner = away
            all_records.append({
                'Round': round_num,
                'Home': home,
                'Away': away,
                'Home_Goals': home_goals,
                'Away_Goals': away_goals,
                'Is_FIFA_Aftermath': is_fifa_aftermath,
                'Result': result,  # 主队视角
                'Winner': winner
            })
df = pd.DataFrame(all_records)
print("数据生成完毕，总比赛场次：", len(df))

数据清洗与特征工程

我们需要将数据转化为“球队视角”（即每支球队的每场比赛记录）,并标记是否为FIFA病毒后的比赛。

# 转换为“球队”视角（长表）
home_records = df[['Round', 'Home', 'Home_Goals', 'Away_Goals', 'Is_FIFA_Aftermath']].copy()
home_records.columns = ['Round', 'Team', 'Goals_For', 'Goals_Against', 'Is_FIFA_Aftermath']
home_records['Is_Home'] = True
away_records = df[['Round', 'Away', 'Away_Goals', 'Home_Goals', 'Is_FIFA_Aftermath']].copy()
away_records.columns = ['Round', 'Team', 'Goals_For', 'Goals_Against', 'Is_FIFA_Aftermath']
away_records['Is_Home'] = False
# 合并
team_game_df = pd.concat([home_records, away_records], ignore_index=True)
# 计算比赛结果（从该球队视角）
team_game_df['Points'] = team_game_df.apply(
    lambda row: 3 if row['Goals_For'] > row['Goals_Against'] else
                (0 if row['Goals_For'] < row['Goals_Against'] else 1),
    axis=1
)
team_game_df['Is_Win'] = team_game_df['Points'] == 3
# 标记球队是否豪门（国脚数量 >= 8）
team_strength_map = teams_df.set_index('Team')['National_Players']
team_game_df['Is_Big_Six'] = team_game_df['Team'].map(team_strength_map) >= 8
print(team_game_df.head())

统计对比分析与验证

我们计算在“FIFA病毒期间”和“正常时期”，豪门与非豪门的胜率/场均得分差异。

# 分组计算胜率和场均积分
summary = team_game_df.groupby(['Is_Big_Six', 'Is_FIFA_Aftermath']).agg(
    Matches=('Points', 'size'),
    Win_Rate=('Is_Win', 'mean'),
    Avg_Points=('Points', 'mean')
).reset_index()
# 透视表便于查看
pivot_win_rate = summary.pivot(index='Is_Big_Six', columns='Is_FIFA_Aftermath', values='Win_Rate')
pivot_avg_points = summary.pivot(index='Is_Big_Six', columns='Is_FIFA_Aftermath', values='Avg_Points')
print("===== 胜率对比 =====")
print(pivot_win_rate.rename(columns={False: 'Normal', True: 'FIFA_Aftermath'}))
print("\n===== 场均积分对比 =====")
print(pivot_avg_points.rename(columns={False: 'Normal', True: 'FIFA_Aftermath'}))
# 关键指标：胜率下降幅度
if True in pivot_win_rate.index:
    big_six_normal = pivot_win_rate.loc[True, False]
    big_six_fifa = pivot_win_rate.loc[True, True]
    win_rate_drop = (big_six_normal - big_six_fifa) / big_six_normal * 100
    print(f"\n豪门球队在FIFA病毒后胜率下降幅度: {win_rate_drop:.2f}%")

可视化呈现

通过柱状图直观反映差别。

# 绘制对比图
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
# 胜率对比柱状图
summary['Group'] = summary['Is_Big_Six'].map({True: '豪门(国脚>=8)', False: '普通球队'})
summary['Period'] = summary['Is_FIFA_Aftermath'].map({True: 'FIFA病毒期', False: '正常期'})
pivot_df = summary.pivot(index='Group', columns='Period', values='Win_Rate')[['正常期', 'FIFA病毒期']]
pivot_df.plot(kind='bar', ax=axes[0], color=['lightblue', 'salmon'])
axes[0].set_title('球队胜率对比')
axes[0].set_ylabel('胜率')
axes[0].legend()
axes[0].tick_params(axis='x', rotation=45)
# 场均积分对比图
pivot_pts = summary.pivot(index='Group', columns='Period', values='Avg_Points')[['正常期', 'FIFA病毒期']]
pivot_pts.plot(kind='bar', ax=axes[1], color=['lightgreen', 'orange'])
axes[1].set_title('球队场均积分对比')
axes[1].set_ylabel('场均积分')
axes[1].legend()
axes[1].tick_params(axis='x', rotation=45)
plt.tight_layout()
plt.suptitle('综合案例：国家队比赛日（FIFA病毒）对联赛影响分析', y=1.02)
plt.show()

深入分析（统计检验）

为了更严谨，我们使用 scipy 进行显著性检验（T检验），检验“FIFA病毒期”和“正常期”豪门球队场均积分差异是否显著。

from scipy import stats
# 提取豪门球队数据
big_six_df = team_game_df[team_game_df['Is_Big_Six'] == True]
fifa_scores = big_six_df[big_six_df['Is_FIFA_Aftermath'] == True]['Points']
normal_scores = big_six_df[big_six_df['Is_FIFA_Aftermath'] == False]['Points']
# 独立样本 T 检验（因样本量不同）
t_stat, p_value = stats.ttest_ind(fifa_scores, normal_scores, equal_var=False)
print(f"T统计量: {t_stat:.3f}")
print(f"P值: {p_value:.4f}")
if p_value < 0.05:
    print("P < 0.05，存在统计学显著差异，证实了FIFA病毒效应。")
else:
    print("P >= 0.05，差异不显著，但数据趋势可能表明存在，需更精细模型。")

进阶扩展（可选）

  1. 旅行距离影响：如果国家队比赛在海外（如南美），影响更大，可以加入FIFA_Location_KM字段。
  2. 回归模型：使用线性回归 OLS 分析国脚数量、是否FIFA期对比赛结果的贡献度。
  3. 真实数据接入：使用 requests 请求 https://api-football-v1.p.rapidapi.com 获取真实比赛日志，将 is_fifa_aftermath 标记逻辑对照真实的国际比赛日日历（如 https://www.fifa.com/international-match-calendar）。

总结输出

运行结果通常会显示：豪门球队在FIFA病毒期后的胜率明显下降（例如从60%降到50%），而普通球队变化不大,通过可视化图你能清晰地看到两条线或两组柱子的落差。

这种分析逻辑可以扩展到任何联赛、任何体育项目，验证“疲劳度”和“赛程密集度”对竞技表现的影响，你可以通过调整 np.random.seed 和参数来测试结果的稳定性，这个案例综合了数据类型处理、数据分析逻辑、统计检验和数据可视化,是一个比较完整的Python实战。

上一篇python案例认为后腰位置是防守关键吗？

下一篇根据赛后python案例，战术克制关系明显吗？

相关文章

抱歉，评论功能暂时关闭!