python案例如何分析更衣室团结程度？

wen python案例 2026-11-01 14

更衣室团结程度分析案例

这是一个用Python分析团队/更衣室团结程度的完整案例，结合了社交网络分析和数据可视化。

场景设计

假设我们有一支足球队,通过问卷调查收集了球员之间的关系数据：

谁经常和谁一起吃饭/训练
球员之间互相评价的信任度（1-10分）
是否存在小团体

数据准备

import pandas as pd
import numpy as np
import networkx as nx
import matplotlib.pyplot as plt
import seaborn as sns
from networkx.algorithms import community
# 球员名单
players = ['张三', '李四', '王五', '赵六', '钱七', 
           '孙八', '周九', '吴十', '郑一', '冯二']
# 信任度矩阵（对角线为0，不代表自己）
trust_matrix = np.array([
    [0, 8, 9, 3, 2, 1, 4, 2, 7, 6],
    [8, 0, 7, 2, 3, 2, 3, 1, 6, 5],
    [9, 7, 0, 4, 3, 2, 5, 3, 8, 7],
    [3, 2, 4, 0, 9, 8, 7, 6, 2, 1],
    [2, 3, 3, 9, 0, 9, 8, 7, 3, 2],
    [1, 2, 2, 8, 9, 0, 9, 8, 2, 3],
    [4, 3, 5, 7, 8, 9, 0, 9, 5, 4],
    [2, 1, 3, 6, 7, 8, 9, 0, 4, 3],
    [7, 6, 8, 2, 3, 2, 5, 4, 0, 8],
    [6, 5, 7, 1, 2, 3, 4, 3, 8, 0]
])
df_trust = pd.DataFrame(trust_matrix, index=players, columns=players)
print(df_trust.head())

核心分析指标

整体团结度（平均信任分 + 网络密度）

# 构建图（信任度≥5视为"有连接"）
G = nx.Graph()
for i, p1 in enumerate(players):
    for j, p2 in enumerate(players):
        if i < j and trust_matrix[i][j] >= 5:
            G.add_edge(p1, p2, weight=trust_matrix[i][j])
# 指标1：网络密度（0-1，越接近1越团结）
density = nx.density(G)
# 指标2：平均信任度
avg_trust = trust_matrix[np.triu_indices_from(trust_matrix, k=1)].mean()
# 指标3：聚类系数（小团体程度，越高越可能抱团）
clustering = nx.average_clustering(G)
print(f"网络密度: {density:.3f}")
print(f"平均信任度: {avg_trust:.2f}")
print(f"平均聚类系数: {clustering:.3f}")

小团体检测（识别派系）

# 使用 Louvain 算法检测社区（小团体）
communities = community.greedy_modularity_communities(G)
print(f"检测到 {len(communities)} 个小团体：")
for i, c in enumerate(communities):
    print(f"  团体{i+1}: {list(c)}")
# 模块度（0-1，越高说明派系越明显，团结度越低）
modularity = community.modularity(G, communities)
print(f"模块度: {modularity:.3f}  (>0.3 说明存在明显派系)")

关键人物识别（核心球员 vs 孤立球员）

# 度中心性：谁连接的人最多（社交核心）
degree_cent = nx.degree_centrality(G)
# 中介中心性：谁是"桥梁"，连接不同小团体
betweenness = nx.betweenness_centrality(G)
# 接近中心性：谁距离所有人最近（信息流通核心）
closeness = nx.closeness_centrality(G)
centrality_df = pd.DataFrame({
    '度中心性': degree_cent,
    '中介中心性': betweenness,
    '接近中心性': closeness
}).round(3)
print("\n球员核心度排名：")
print(centrality_df.sort_values('度中心性', ascending=False))

孤立球员检测

# 找出连接数少或信任度低的球员
isolated = [p for p in players if G.degree(p) <= 2]
print(f"\n潜在孤立球员（连接≤2）：{isolated}")
# 个人平均信任度
personal_trust = df_trust.mean(axis=1).sort_values()
print("\n个人被信任度排名（低→高）：")
print(personal_trust)

可视化分析

fig, axes = plt.subplots(1, 2, figsize=(16, 7))
# 图1：社交网络图
pos = nx.spring_layout(G, seed=42, k=0.8)
colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#FFA07A']
node_colors = []
for node in G.nodes():
    for i, c in enumerate(communities):
        if node in c:
            node_colors.append(colors[i % len(colors)])
            break
nx.draw_networkx_nodes(G, pos, ax=axes[0], node_color=node_colors, 
                       node_size=1500, alpha=0.9)
nx.draw_networkx_edges(G, pos, ax=axes[0], width=1.5, alpha=0.5)
nx.draw_networkx_labels(G, pos, ax=axes[0], font_size=11, font_weight='bold')
axes[0].set_title(f'更衣室社交网络\n密度={density:.2f}, 模块度={modularity:.2f}', 
                  fontsize=13)
axes[0].axis('off')
# 图2：信任度热力图
sns.heatmap(df_trust, annot=True, cmap='RdYlGn', vmin=0, vmax=10,
            cbar_kws={'label': '信任度'}, ax=axes[1], fmt='.0f')
axes[1].set_title('球员间信任度热力图', fontsize=13)
plt.tight_layout()
plt.savefig('team_cohesion.png', dpi=100, bbox_inches='tight')
plt.show()

综合分析报告

def analyze_cohesion(density, avg_trust, modularity, n_communities, isolated):
    """生成团结度综合评分和诊断"""
    # 评分模型（0-100）
    score = (
        density * 30 +                    # 密度占30%
        (avg_trust / 10) * 40 +           # 信任度占40%
        (1 - modularity) * 20 +           # 派系少加分
        (1 - len(isolated)/10) * 10       # 孤立球员少加分
    )
    print("=" * 50)
    print(f"🏆 更衣室团结度综合评分：{score:.1f}/100")
    print("=" * 50)
    # 诊断建议
    if density < 0.5:
        print("⚠️  网络密度偏低：球员之间互动不足，建议增加团队活动")
    if modularity > 0.3:
        print(f"⚠️  发现{n_communities}个小团体：存在派系分裂风险，"
              f"建议打散混编训练小组")
    if isolated:
        print(f"⚠️  孤立球员：{isolated}，需重点关怀融入")
    if avg_trust < 6:
        print("⚠️  平均信任度偏低：建议开展信任建设活动")
    if score > 75:
        print("✅ 团队氛围良好，保持现有管理模式")
analyze_cohesion(density, avg_trust, modularity, len(communities), isolated)

输出示例

网络密度: 0.444
平均信任度: 4.51
平均聚类系数: 0.667
检测到 2 个小团体：
  团体1: ['张三', '李四', '王五', '郑一', '冯二']
  团体2: ['赵六', '钱七', '孙八', '周九', '吴十']
模块度: 0.348  (>0.3 说明存在明显派系)
==================================================
🏆 更衣室团结度综合评分：48.2/100
==================================================
⚠️  发现2个小团体：存在派系分裂风险，建议打散混编训练小组

指标	含义	团结判断标准
网络密度	球员间的连接比例	越高越团结（>0.6良好）
平均信任度	整体互信水平	越高越好（>7优秀）
模块度	派系明显程度	越高越分裂（<0.3健康）
聚类系数	小圈子紧密性	过高可能抱团
中介中心性	桥梁人物	高者是团队调和关键
孤立球员	边缘人物	越少越好