实用脚本如何评估教练换人得分能力？

wen 实用脚本 2026-10-21 3

本文目录导读：

实用脚本如何评估教练换人得分能力？

数据准备
核心评估指标
控制混杂因素（关键）
统计稳健性检验
完整脚本骨架
输出与可视化建议
注意事项与局限

评估教练的换人得分能力,本质上是一个因果推断问题：你需要区分“换人确实带来了得分提升”和“换人只是运气好/时间巧合”，下面是一套可落地的脚本化评估框架，从数据准备到指标计算再到统计检验。

数据准备

所需数据表

表	字段示例
比赛事件表	match_id, minute, event_type(goal/sub/injury), player_id, team_id
换人表	match_id, minute, player_out, player_in, team_id
比分表	match_id, minute, home_score, away_score
球员表	player_id, position, 进攻/防守能力评分

关键构造字段

# 对每次换人构造一个"换人事件窗口"
# 窗口定义建议：换人前 15 分钟 vs 换人后 15 分钟（可调）
sub_window = {
    'pre_start': minute - 15,
    'pre_end': minute,
    'post_start': minute,
    'post_end': minute + 15
}

核心因变量：换人后窗口内本方进球数 − 换人前窗口内本方进球数（净进球变化），或更细的 xG 变化。

核心评估指标

指标1：换人后净胜球变化（ΔGD）

def delta_goal_diff(match_events, sub, window=15):
    pre = goals_in_window(sub.minute-window, sub.minute, team=sub.team_id)
    post = goals_in_window(sub.minute, sub.minute+window, team=sub.team_id)
    pre_against = goals_in_window(..., opponent=True)
    post_against = goals_in_window(..., opponent=True)
    return (post - post_against) - (pre - pre_against)

指标2：换人后 xG 增量

用事件数据（射门位置/类型）计算窗口内 xG，比进球更稳定、样本需求更小。

delta_xg = xg_post_window - xg_pre_window

指标3：换人"得分贡献值"（Sub Impact Score）

对每个替补上场球员,计算其上场后到比赛结束的：

进球 + 助攻 + 关键传球（加权）
除以出场时间,标准化为每90分钟

sub_impact = (goals*1.0 + assists*0.7 + key_passes*0.3) / minutes_played * 90

指标4：换人时机价值（Timing Value）

评估换人发生的时间点是否"划算"——比如落后时是否及时换进攻球员。

# 落后状态下，换人后15分钟内扳平/反超的概率
timing_value = P(score_change | trailing_at_sub, sub_type='attacking')

控制混杂因素（关键）

单纯比较换人前后会高估教练能力,因为：

比分状态驱动换人（落后才换前锋）
对手强度不同
比赛阶段本身进球率更高（最后15分钟进球多）

方法A：倾向得分匹配（PSM）

# 为每次换人构造特征：比分差、时间、对手强度、主客场、换人类型
features = ['goal_diff_at_sub', 'minute', 'opp_strength', 'home_away', 'sub_type']
# 匹配"相似情境下"的换人与不换人（或不同教练的换人）
# 比较匹配后的 ΔGD

方法B：双重差分（DiD）

# 处理组：该教练的换人
# 对照组：同联赛/同赛季其他教练在相似情境下的换人
# DiD = (post-pre)_treatment - (post-pre)_control

方法C：回归模型

import statsmodels.api as sm
# ΔGD ~ coach_dummy + goal_diff_at_sub + minute + opp_strength + ...
model = sm.OLS(delta_gd, X).fit()
coach_effect = model.params['coach_dummy']

统计稳健性检验

样本量门槛：每位教练至少 N 次换人（建议 ≥50），否则用贝叶斯收缩。
贝叶斯收缩：把小样本教练的效应向联赛均值收缩。

# 经验贝叶斯：coach_effect_shrunk = (n/(n+k))*raw + (k/(n+k))*league_mean

置换检验：随机打乱换人时间/球员，看真实效应是否显著高于随机。
Bootstrap 置信区间：对 ΔGD 做重采样，给出 95% CI。

完整脚本骨架

import pandas as pd
import numpy as np
from scipy import stats
def evaluate_coach_subs(subs_df, events_df, coach_id, window=15, n_boot=1000):
    coach_subs = subs_df[subs_df.coach_id == coach_id]
    deltas = []
    for _, sub in coach_subs.iterrows():
        d = delta_goal_diff(events_df, sub, window)
        deltas.append(d)
    deltas = np.array(deltas)
    # 点估计
    mean_delta = deltas.mean()
    # Bootstrap CI
    boot = [np.random.choice(deltas, len(deltas)).mean() for _ in range(n_boot)]
    ci_low, ci_high = np.percentile(boot, [2.5, 97.5])
    # 与联赛基准比较（单样本 t 检验）
    t, p = stats.ttest_1samp(deltas, popmean=league_baseline_delta)
    return {
        'coach_id': coach_id,
        'n_subs': len(deltas),
        'mean_delta_gd': mean_delta,
        'ci_95': (ci_low, ci_high),
        'p_value_vs_league': p
    }