实用脚本如何分析更衣室团结程度？

wen 实用脚本 2026-10-01 3

本文目录导读：

实用脚本如何分析更衣室团结程度？

先明确：什么叫“更衣室团结程度”？
可采集的数据源
分析脚本设计思路
实用脚本的落地形式
常见坑与注意事项
一句话总结

分析“更衣室团结程度”这个需求，通常出现在体育团队管理、电竞战队运营、企业团队建设等场景中，下面从可量化指标、数据采集方法、分析模型、实用脚本示例四个层面来梳理。

先明确：什么叫“更衣室团结程度”？

更衣室团结本质是团队凝聚力的外显，可拆解为四个维度：

维度	含义	观察信号
情感凝聚	成员间私交、信任	聚餐频次、私下互动
任务凝聚	对共同目标的认同	训练出勤、战术执行
社交凝聚	群体归属感	群聊活跃度、小团体数量
规范凝聚	对团队规则的认同	违纪率、公开抱怨

可采集的数据源

通讯数据：微信群/Slack/Discord 消息记录（频率、@关系、回复网络）
行为数据：训练出勤、迟到、加练、伤病配合
问卷数据：匿名团队氛围量表（如 GEQ 群体环境问卷）
表现数据：比赛助攻数、传球网络、失误后互相鼓励次数
访谈数据：教练/队长的定性观察

分析脚本设计思路

社交网络分析

用消息记录构建互动网络：

import networkx as nx
import pandas as pd
from itertools import combinations
# 假设 df 有字段: sender, receiver, timestamp, group_id
df = pd.read_csv("chat_log.csv")
G = nx.Graph()
for (gid, group) in df.groupby("group_id"):
    members = group["sender"].unique()
    for a, b in combinations(members, 2):
        # 统计双向互动次数
        ab = len(group[(group.sender==a) & (group.receiver==b)])
        ba = len(group[(group.sender==b) & (group.receiver==a)])
        weight = ab + ba
        if weight > 0:
            G.add_edge(a, b, weight=weight)
# 关键指标
density = nx.density(G)                      # 网络密度：越高越团结
components = nx.number_connected_components(G)  # 连通分量：>1 说明有小团体
clustering = nx.average_clustering(G)        # 聚类系数：过高=派系化
# 识别小团体（社区发现）
from networkx.algorithms.community import greedy_modularity_communities
communities = list(greedy_modularity_communities(G, weight="weight"))
print(f"发现 {len(communities)} 个小团体")
for i, c in enumerate(communities):
    print(f"  团体{i}: {sorted(c)}")

判读规则：

密度 > 0.5 且社区数 = 1 → 高度团结
密度中等且社区数 = 2-3 → 存在派系
密度低且社区数 ≥ 3 → 分裂风险

情感分析

对群聊文本做情感打分,观察整体氛围：

from snownlp import SnowNLP  # 中文；英文可用 VADER
def sentiment_score(text):
    return SnowNLP(text).sentiments  # 0-1，越接近1越正面
df["sent"] = df["content"].astype(str).apply(sentiment_score)
# 按周聚合，看情绪趋势
weekly = df.set_index("timestamp").resample("W")["sent"].mean()
print(weekly)
# 成员间情感差异：某人对特定队友是否明显负面
pivot = df.pivot_table(index="sender", columns="receiver",
                       values="sent", aggfunc="mean")
print(pivot)

综合团结指数

把多源指标加权合成一个 0-100 的团结指数（Cohesion Index）：

import numpy as np
def cohesion_index(metrics):
    """
    metrics: dict
      density       网络密度        0-1
      one_clique    是否单一团体    0/1
      sentiment     平均情感        0-1
      attendance    出勤率          0-1
      violation     违纪率          0-1（反向）
      assist_net    传球网络密度    0-1
    """
    w = {
        "density":     0.25,
        "one_clique":  0.15,
        "sentiment":   0.20,
        "attendance":  0.15,
        "violation":  -0.10,   # 负向
        "assist_net":  0.15,
    }
    score = sum(metrics[k] * v for k, v in w.items())
    return round(score * 100, 1)
example = {
    "density": 0.62,
    "one_clique": 1,
    "sentiment": 0.71,
    "attendance": 0.93,
    "violation": 0.05,
    "assist_net": 0.58,
}
print("团结指数:", cohesion_index(example))