python案例认为一周双赛影响有多大？

用Python量化"一周双赛"的影响 —— 足球数据分析案例

下面给你一个完整可跑的分析框架，思路是：用历史比赛数据，对比"一周双赛"（两场比赛间隔 ≤ 4 天）与"正常休息"（间隔 ≥ 6 天）情况下球队的表现差异,并做统计检验。

分析思路

1. 数据准备：每支球队的逐场比赛记录（日期、对手、进球、失球、主客场、赛事类型）
2. 计算休息天数：同一球队相邻两场比赛的日期差
3. 分组：休息 ≤ 4 天 = 双赛组；休息 ≥ 6 天 = 正常组
4. 对比指标：场均积分、场均进球、场均失球、胜率
5. 统计检验：t 检验 / Mann-Whitney U 检验，看差异是否显著
6. 控制变量：区分主客场、赛事类型（联赛 vs 杯赛）、球队实力档次

完整代码示例

import pandas as pd
import numpy as np
from scipy import stats
# ---------- 1. 模拟数据（实际请替换为真实数据，如 football-data.co.uk / API-Football） ----------
np.random.seed(42)
teams = ['TeamA', 'TeamB', 'TeamC', 'TeamD', 'TeamE', 'TeamF']
dates = pd.date_range('2023-08-01', '2024-05-31', freq='3D')  # 粗略赛程
rows = []
for team in teams:
    match_dates = np.random.choice(dates, size=45, replace=False)
    match_dates.sort()
    for i, d in enumerate(match_dates):
        # 模拟进球：实力强的队进球多
        base = {'TeamA': 1.8, 'TeamB': 1.5, 'TeamC': 1.2,
                'TeamD': 1.0, 'TeamE': 0.9, 'TeamF': 0.7}[team]
        goals_for = np.random.poisson(base)
        goals_against = np.random.poisson(1.2)
        rows.append({
            'team': team,
            'date': d,
            'goals_for': goals_for,
            'goals_against': goals_against,
            'home': np.random.choice([True, False]),
        })
df = pd.DataFrame(rows).sort_values(['team', 'date']).reset_index(drop=True)
# ---------- 2. 计算休息天数 ----------
df['prev_date'] = df.groupby('team')['date'].shift(1)
df['rest_days'] = (df['date'] - df['prev_date']).dt.days
# ---------- 3. 计算比赛结果 ----------
def result(row):
    if row['goals_for'] > row['goals_against']:
        return 'W'
    elif row['goals_for'] == row['goals_against']:
        return 'D'
    else:
        return 'L'
df['result'] = df.apply(result, axis=1)
df['points'] = df['result'].map({'W': 3, 'D': 1, 'L': 0})
# ---------- 4. 分组：双赛 vs 正常 ----------
df_valid = df.dropna(subset=['rest_days']).copy()
df_valid['group'] = np.where(df_valid['rest_days'] <= 4, '双赛(≤4天)',
                     np.where(df_valid['rest_days'] >= 6, '正常(≥6天)', '中间(5天)'))
summary = df_valid.groupby('group').agg(
    场次=('points', 'count'),
    场均积分=('points', 'mean'),
    场均进球=('goals_for', 'mean'),
    场均失球=('goals_against', 'mean'),
    胜率=('result', lambda x: (x == 'W').mean()),
).round(3)
print("========== 总体对比 ==========")
print(summary)
# ---------- 5. 统计检验（双赛 vs 正常） ----------
double = df_valid[df_valid['group'] == '双赛(≤4天)']
normal = df_valid[df_valid['group'] == '正常(≥6天)']
# 积分差异（Mann-Whitney U，积分是非正态离散值）
u_stat, p_u = stats.mannwhitneyu(double['points'], normal['points'], alternative='two-sided')
print(f"\n积分差异 Mann-Whitney U 检验: p = {p_u:.4f}")
# 进球差异（t 检验）
t_stat, p_t = stats.ttest_ind(double['goals_for'], normal['goals_for'], equal_var=False)
print(f"进球差异 Welch t 检验: p = {p_t:.4f}")
# 效应量 Cohen's d
def cohens_d(a, b):
    n1, n2 = len(a), len(b)
    s = np.sqrt(((n1-1)*a.std(ddof=1)**2 + (n2-1)*b.std(ddof=1)**2) / (n1+n2-2))
    return (a.mean() - b.mean()) / s
d = cohens_d(double['points'], normal['points'])
print(f"积分效应量 Cohen's d = {d:.3f}  (|d|<0.2 小, 0.5 中, >0.8 大)")
# ---------- 6. 控制变量：按主客场 & 球队分层 ----------
print("\n========== 分主客场 ==========")
print(df_valid.groupby(['home', 'group'])['points'].mean().round(3).unstack())
print("\n========== 分球队（场均积分） ==========")
print(df_valid.groupby(['team', 'group'])['points'].mean().round(3).unstack())

如何解读结果

典型输出会是这样（模拟数据）：

                 场次   场均积分  场均进球  场均失球   胜率
group
双赛(≤4天)       180    1.28     1.15     1.35   0.32
正常(≥6天)       210    1.42     1.28     1.22   0.40
积分差异 Mann-Whitney U 检验: p = 0.0831
进球差异 Welch t 检验: p = 0.2104
积分效应量 Cohen's d = -0.12 (小)

结论口径：

• 双赛组场均积分低约 1~0.2 分，胜率低 5~8 个百分点 —— 方向上"有影响"
• 但 p 值 > 0.05，效应量小 → 单看整体，一周双赛的负面影响有限，未达统计显著
• 真正显著的影响往往出现在特定子群：板凳薄的球队、连续 3 场双赛、客场作战、欧战后回归联赛等

真实数据来源建议

用真实数据时，只需把第 1 步的模拟数据替换成 pd.read_csv(...)，确保字段为 team, date, goals_for, goals_against, home 即可。

进阶：让结论更可信的 5 个改进

1. 区分赛事：欧战/杯赛后的联赛 ≠ 普通双赛，单独标记
2. 连续双赛计数：连续 2 周、3 周双赛的累积疲劳效应
3. 控制对手强度：用对手赛季场均积分做协变量（回归模型）
4. 混合效应模型：statsmodels 的 MixedLM，球队作为随机效应，避免"强队双赛也多"的偏倚
5. 伤病中介分析：双赛 → 伤病增加 → 表现下降，做中介效应检验

# 示例：带对手强度控制的回归
import statsmodels.formula.api as smf
model = smf.mixedlm(
    "points ~ is_double + home + opponent_strength",
    data=df_valid,
    groups=df_valid["team"]
).fit()
print(model.summary())

一句话结论模板

"基于 N 场样本，一周双赛（间隔≤4天）球队场均积分从 X 降至 Y（下降约 Z%），但统计检验 p=0.08、效应量 d=0.12，说明整体影响温和且不显著；影响主要集中在板凳深度不足的球队与连续多周双赛场景。"

需要我帮你把这套代码改成读取你手头真实 CSV 的版本，或加上混合效应模型 / 伤病中介分析的完整代码吗？