python案例复盘称主力伤退影响有多大？

wen python案例 2026-10-29 6

本文目录导读：

案例背景设定
Python 复盘完整代码
复盘结论模板
方法论要点（复盘时容易踩的坑）

这是一个很典型的数据分析+业务归因的案例，下面我用一个完整的 Python 复盘框架，来量化“主力伤退”对球队/业务的影响。

案例背景设定

假设我们有一支篮球队（或电竞战队、销售团队），核心主力球员 A 因伤缺阵，我们想知道：

他缺阵后,球队胜率/业绩下降了多少？
这个下降是“真的因为缺阵”，还是赛程、对手强弱等混杂因素导致？
影响有多大？能否量化？

Python 复盘完整代码

数据准备

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
# 模拟数据：一个赛季 60 场比赛
np.random.seed(42)
dates = pd.date_range('2024-10-01', periods=60, freq='3D')
opponent_strength = np.random.choice(['强', '中', '弱'], 60, p=[0.3, 0.4, 0.3])
# 主力A是否出战（前30场出战，后30场伤退）
a_plays = [1]*30 + [0]*30
# 基础胜率：主场/客场、对手强度影响
base_win_prob = {'强': 0.35, '中': 0.55, '弱': 0.75}
win_prob = np.array([base_win_prob[o] for o in opponent_strength])
# 主力A在场时 +15% 胜率加成
win_prob = np.where(np.array(a_plays)==1, win_prob + 0.15, win_prob)
win_prob = np.clip(win_prob, 0, 1)
wins = np.random.binomial(1, win_prob)
df = pd.DataFrame({
    'date': dates,
    'opponent': opponent_strength,
    'a_plays': a_plays,
    'win': wins
})
print(df.head())

简单对比：有无主力的胜率

summary = df.groupby('a_plays')['win'].agg(['mean', 'count', 'sum'])
summary.index = ['A伤退', 'A出战']
print(summary)

输出示例：

          mean  count  sum
A伤退     0.433     30   13
A出战     0.767     30   23

表面看：胜率从 76.7% 降到 43.3%，下降 33.4 个百分点，但这可能是混杂因素（比如伤退期间对手更强）。

控制混杂因素：分层分析

# 按对手强度分层对比
pivot = df.pivot_table(index='opponent', columns='a_plays', 
                       values='win', aggfunc='mean')
pivot.columns = ['A伤退', 'A出战']
pivot['差值'] = pivot['A出战'] - pivot['A伤退']
print(pivot)

输出示例：

        A伤退   A出战    差值
opponent
中       0.50   0.75   0.25
强       0.20   0.50   0.30
弱       0.62   0.92   0.30

分层后,每个对手强度层级下，A伤退都导致胜率下降 25~30 个百分点，说明影响是真实的，不是赛程造成的。

统计显著性检验

# 卡方检验：伤退与胜负是否独立
contingency = pd.crosstab(df['a_plays'], df['win'])
chi2, p, dof, exp = stats.chi2_contingency(contingency)
print(f"卡方值={chi2:.2f}, p值={p:.4f}")
# p < 0.05 说明伤退与胜负显著相关

# 效应量：风险差 & 相对风险
p_play = df[df.a_plays==1]['win'].mean()
p_inj  = df[df.a_plays==0]['win'].mean()
print(f"绝对风险差(ARR) = {p_play - p_inj:.3f}")
print(f"相对风险(RR)   = {p_inj / p_play:.3f}")  # 伤退后胜率是原来的多少

解读： 若 RR = 0.56，说明主力伤退后胜率只剩原来的 56%。

可视化

fig, axes = plt.subplots(1, 2, figsize=(12, 4))
# 图1：整体胜率对比
df.groupby('a_plays')['win'].mean().plot(kind='bar', ax=axes[0], 
                                          color=['#e74c3c','#2ecc71'])
axes[0].set_xticklabels(['A伤退','A出战'], rotation=0)
axes[0].set_title('主力出战 vs 伤退：胜率对比')
axes[0].set_ylabel('胜率')
# 图2：分对手强度
pivot[['A伤退','A出战']].plot(kind='bar', ax=axes[1])
axes[1].set_title('分层对比：不同对手强度下的胜率')
axes[1].set_ylabel('胜率')
plt.tight_layout()
plt.show()

进阶：用回归模型剥离各因素贡献

import statsmodels.formula.api as smf
# 逻辑回归：win ~ 主力出战 + 对手强度
model = smf.logit('win ~ a_plays + C(opponent)', data=df).fit()
print(model.summary())
# 计算主力的边际效应（平均边际效应）
mfx = model.get_margeff()
print(mfx.summary())

解读： 回归系数 / 边际效应给出的是在控制对手强度后，主力出战对胜率的净贡献，比如边际效应 = 0.28，意味着主力在场平均提升 28 个百分点的胜率，这才是“伤退影响有多大”的干净估计。

复盘结论模板

指标	数值	含义
表面胜率下降	4 pp	含混杂因素
分层后平均下降	~28 pp	控制对手强度后
相对风险 RR	56	伤退后胜率仅剩 56%
卡方检验 p	<0.001	影响统计显著
回归净效应	+28 pp	主力出战的净贡献