python案例统计伤病停赛影响数据对比？

wen python案例 2026-11-04 2

Python案例统计：伤病停赛影响数据对比全解析

目录导读

引言：为什么用Python分析伤病停赛影响
数据准备：伤病停赛数据的采集与清洗
核心案例：球队伤病前后战绩数据对比
进阶分析：球员缺阵对进攻防守效率的影响
可视化呈现：用图表讲好数据故事
常见问题问答（FAQ）
总结与实战建议

为什么用Python分析伤病停赛影响

在职业体育领域,伤病和停赛是影响球队战绩的关键变量，无论是足球、篮球还是电竞项目，核心球员缺阵往往会带来连锁反应，传统分析多依赖主观判断，而借助Python进行数据统计与对比，可以把“感觉上的影响”转化为可量化、可复现的结论，本文通过一个完整的Python案例，演示如何统计伤病停赛前后的数据差异，并进行科学对比，帮助教练团队、数据分析师和球迷更理性地理解伤病的影响。

python案例统计伤病停赛影响数据对比？

数据准备：伤病停赛数据的采集与清洗

分析的第一步是数据,假设我们有一份赛季比赛记录表（含日期、对手、得分、失分、胜负）和一份伤病停赛名单（含球员、缺阵起止日期、位置），使用pandas读取并合并数据是常见做法：

import pandas as pd
games = pd.read_csv("games.csv", parse_dates=["date"])
injuries = pd.read_csv("injuries.csv", parse_dates=["start", "end"])
# 标记每场比赛是否处于某球员缺阵区间
def is_affected(row):
    return injuries.apply(
        lambda x: x["start"] <= row["date"] <= x["end"], axis=1
    ).any()
games["affected"] = games.apply(is_affected, axis=1)

清洗时要注意日期格式统一、缺失值处理以及重复记录去重，只有干净的数据，后续对比才有意义。

核心案例：球队伤病前后战绩数据对比

将比赛分为“无伤病影响”和“有伤病影响”两组，统计胜率、场均得分、场均失分等指标：

summary = games.groupby("affected").agg(
    场次=("win", "count"),
    胜率=("win", "mean"),
    场均得分=("score", "mean"),
    场均失分=("conceded", "mean")
)
print(summary)

典型输出可能显示：无伤病时胜率约65%，有伤病时降至48%；场均得分下降5分以上，这种对比直观揭示了伤病停赛对战绩的量化影响，进一步可用scipy.stats.ttest_ind做显著性检验，判断差异是否具有统计意义，避免小样本带来的误判。

进阶分析：球员缺阵对进攻防守效率的影响

不同位置的球员缺阵影响不同,可以按球员维度拆分，计算每名球员缺阵期间球队的净效率值（得分减失分）：

for player in injuries["player"].unique():
    mask = injuries["player"] == player
    subset = games[games["affected"]]
    net = subset["score"].mean() - subset["conceded"].mean()
    print(f"{player}缺阵期间净效率: {net:.2f}")

还可引入“缺阵前后对比差值”指标，识别对球队影响最大的关键球员，这类分析对轮换安排和引援决策具有实际参考价值。