每一场篮球比赛结束后，都会有专门的数据网站统计每一位球员在比赛中的表现，但是随着时代的发展，大数据时代的到来，单纯依靠得分、助攻、篮板等基础数据已经很难真正体现出每一位球员在场上的状态；为了顺应时代的需要，各种高级数据开始出现，最常讨论的比如PER、USG%、TS%、RPM等，表面上看起来乱糟糟的，这些符号背后到底有什么含义？我们该如何利用这些符号来判断球员的表现？我们该如何解读这些符号数据？随着篮球现代化的科学发展，我们才能理解这些高级数据的含义，才能真正看懂比赛。
在讨论之前，我们首先要了解篮球的基本统计数据：
PTS()：分数
篮板数或篮板总数
奥雷布（）：进攻篮板
DREB（）：防守篮板
AST()：助攻
STL()：窃取
BLK（射门）：盖帽
TOV()：错误
PF（犯规）：犯规
FGA（射门次数）：射门次数
FG%（投篮命中率）：投篮命中率
3PM（三分球命中数）：三分球命中数
3PA(Three)：三分球
3P%（Three Point）：三分球命中率
FTM (罚球命中)：罚球命中
FTA（罚球）：罚球次数
FT%（Free Throw）：罚球命中率
以上就是我们在赛后收集的最常见的统计数据，很多高级统计数据也是在此基础上发展起来的，如果想要彻底了解比赛的每一个细节和球员的真实表现，往往需要不断重播每一个攻防回合进行拆解和统计，但篮球毕竟是一项动态的团队运动篮球比赛ti是什么意思，光是一次攻防过程就包含了多名球员的直接数据贡献，比如得分、篮板、助攻等，还有很多间接数据比如传球、无球掩护、空切跑动等，直到最后一投成功或者投失，一回合才算完成。
在这个快节奏的过程中，统计数据中需要观察到的细节非常多，这也是非常困难的，要完整准确地分析每一场比赛的所有细节是一个相对复杂的过程；因此，本片介绍的大部分高级数据都是直接来源于传统的基础数据，与比赛的实际内容还是存在误差的，但是参考这些高级数据已经可以得到非常接近实际情况的数据结果，这是现在方法的便捷，比传统数据更具有参考价值。
讨论高级数据最直接的目的就是指球员在场上的表现，如果要衡量球员在场上的表现，效率值是第一个必须了解的数据。与EFF、GmSc、PER、ORtg、DRtg等类似，PER、ORtg、Drtg的计算过程相对复杂，我们先介绍一些简单的基础数据。
第一个是EFF（守备效率）
EFF是最基本、最常见的高级数据，我们先来看一下EFF的公式：
EFF = (PTS + TREB + AST + STL + BLK) - (FGA - FGM) - (FTA - FTM) - TO
公式看上去很长，但其实就是把得分、篮板、助攻、抢断、盖帽这五大数据加起来，然后去掉投篮不中和罚球，最后减去失误，这五大传统数据都是正值，而投篮不中、罚球不中和失误则是负值。这个数据最大的优点就是计算简单方便，所以EFF也是最常见的高级数据。公式并没有采用平均值或者命中率数据，而是采用一般的基础数据进行累加，而且EFF只是简单的加减运算而非比例算法，可以简单理解为一种“累计数据”。
缺点：
作为一个高阶数据，EFF 的参考价值并不高，因为这些数据值并不完全相等，而且没有加权，这样就会导致 EFF 的测量值失去真实性。EFF 值减少 2，即使你抢到进攻篮板，重新获得球权，还是会减少 1。但如果发生失误，将球权转移给对手，则只会减少 1。或者，当你防守对方进攻球员，投篮不中，没有被盖帽，EFF 值不会改变。但如果对方投篮不中，被盖帽的投篮 EFF 值会增加 1。
还有一点就是，依靠大量投篮权是可以骗过EFF值的，比如投中两分球会加2，也就是说后面投篮不中就会归0，所以只要每投中三次球，投中一球，也就是把命中率稳定在33.3%以上。投篮次数越多，EFF值就越高。这就是一个“累积数据”最直接的致命漏洞，数据只能简单套用到单场统计上，衡量球员单场比赛的输出效率。
第二个是 GmSc（游戏得分）
对于EFF来说，GmSc也是参考了传统的五项数据，但在投篮、罚球、失误之外还增加了犯规，然后对每一项数据进行加权计算，计算公式如下：
GmSc = (PTS + 0.7×OREB + 0.3×DREB + 0.7×AST + STL + 0.7×BLK) + 0.4×FGM - 0.7×FGA - 0.4×(FTA-FTM) - TOV - 0.4×PF
GmSc 计算篮板时，将篮板分为进攻篮板和防守篮板。进攻篮板较难抢到，抢到之后可以为球队赢得另一次得分机会，避免对方换球后的进攻，因此进攻篮板的加权得分高于防守篮板，与助攻、盖帽一样都是 0.7 分，但防守篮板只有 0.3 分。而由于抢断等于一次换球权，因此加权得分也高于直接盖帽。
这里你可能会有疑问，为什么该镜头的加权得分也是1；
这背后的原因可以在“射击”项目中看到：0.4×FGM-0.7×FGA
+0.4×FGM 意味着你每投进一球，就会得到 0.4 分，但 -0.7×FGA 意味着你每投进一球，就会丢掉 0.7 分。换句话说，即使你投进一球，FG 部分仍然会让你的 GmSc 得分少 0.3 分，这就是为什么得分比其他统计数据权重更高。事实上，两分球只加 1.7 分，三分球加 2.7 分，任何投篮不中也会扣掉 0.3 分。罚球不中加权 0.4 分，犯规加权 0.4 分，导致球权变更的失误加权 1 分。
缺点：
相比于EFF，GmSc数据多出了各项数据加权计算的部分，可以勉强改善EFF的第一个问题：各项数据不等值，但这些权重是否合理，就见仁见智了。第二个问题依旧存在：GmSc也可以通过大量出手来作弊，而且作弊行为比EFF还要严重。一次两分球成功加1.7分，但一次投篮不中只扣0.7分，所以两分球投失一次就会得到1.7分，需要2.43次出手才能抵消一次两分球的得分，换算之后两分球命中率只需要29.1%，两分球出手越多，你的GmSc值就越高，这很夸张篮球比赛ti是什么意思，一次三分球加2.7分，需要3.86次三分球投失来抵消。换算之后，只要三分球命中率超过20.6%，GmSc值就能正向累积。
因此相较于EFF，虽然其他传统数据测量可能更有参考价值，但同样的累积数据，得分的缺失更为严重，反观公式背后，GmSc更注重得分的输出，所以更别提用GmSc去衡量一个球员的效率了，毕竟效率是可以通过大量出手来作弊的。
另外，GmSc与EFF一样，只适合单匹配应用，但需要结合一系列权重，在计算上甚至不如EFF那么方便有效，使用率不如EFF。
接下来我们来了解一下高级命中率指标数据。由于两分球和三分球的数值不同，单纯用FG%来衡量一名球员的投篮效率似乎不太合理篮球比赛ti是什么意思，再加上有少数球员的球风天生就极其前卫，这使得罚球成为他重要的得分手段之一。因此我们需要可以和罚球命中率一起考虑的高级数据指标。
它们分别是eFG%和TS%。
eFG%（Field Goal，有效投篮命中率）
eFG%的逻辑很简单，由于三分球比两分球能多得1.5倍的分数，所以FG%中的三分球命中数乘以1.5，也就是得分权重增加1.5倍。有一个最直接的应用效果，eFG%×出手数×2【公式：eFG%×FGA×2=得分】这是球员通过投篮获得的得分，一次出手等于两分，一次三分球等于1分，eFG%中三分球部分已经乘以1.5了
缺点
eFG%其实没有太多的缺点，投篮才是真正能体现球员价值的，如果非要挑一个问题的话，有些球员很少投篮，他们的得分大部分都来自于补篮或者扣篮，即便eFG%已经把三分球乘积考虑进去了，还是很难跟这样的球员相比，所以eFG%对于投篮还是有参考作用的，而对于那些很少投篮的球员来说，它并不适合。
TS%（真实命中率）
TS% vs. eFG% 是将罚球考虑进去，用来衡量球员在每一次进攻机会上能得多少分，这是因为有些进攻机会本来可以投篮，但是因为对手的犯规，变成了罚球，虽然仍然是进攻机会，但是不会计入 eFG% 值中。而真实投篮命中率是考虑到了所有的进攻机会，所以它比 eFG% 更多地指代了罚球部分，使得球员的投篮命中率看起来更贴近真实。
我们可以从以下公式推导出eFG％和TS％之间的差异：
上面提到了eFG%×FGA×2=得分，所以我们用这个公式跟TS%比较的时候区别仅在于TS%的分母多了一个罚球机会，乘数就是2乘以0.44。0.44是根据前几个赛季的历史记录，计算出因为犯规而丢掉的罚球百分比，目的是为了弥补失去的投篮机会，发现每个赛季大概有88%的罚球来自于被对手犯规后失去的进攻机会，而一次被犯规的进攻机会可以创造出两次罚球机会，所以88%的罚球应该除以2再乘以这个数字就是0.44。
如果你觉得难以理解，下面是一个实际应用的例子：
假如本场比赛一名球员获得10次罚球机会，那么根据数据显示，这10次罚球大概包含了4.4次被犯规而丧失进攻机会的情况，所以全场比赛该球员获得的进攻机会就是4.4+的投篮次数。
所以分母代表的是进攻机会，TS%把投篮次数和因为犯规而罚球的次数相加，也就是所有的进攻机会，如果每一个机会都能抓住，按照得两分的基本标准，你罚中两次，你就得x2，如果你投中一个三分球或者得到三次罚球，并且全部命中，你就得的分会更多，所以你的TS%会更高，如果你两次罚球命中一次，你的TS%就会比两次罚球都命中要低。
这将修正那些大量依赖补篮或扣篮作为得分手段，但通常罚球率较低的内线球员的 TS% 值。至于 eFG%，TS% 更能真实反映他的得分效率。
缺点
因为有些进攻机会可以创造三次罚球机会，而且统计的是全联盟数据，所以0.44只是一个笼统的数字，并不能作为衡量每一位球员的精准指标。这也是TS%最让人遗憾的地方，既然是以进攻机会为单位来衡量，那么失误也要算进去，从另一个角度来说，失误直接就是进攻机会的损失，不过考虑到TS%叫真实投篮命中率，只是一个参考，最终实际的进攻机会其实还是比较合理的，抛开上述的缺陷不说，TS%是目前最常用的衡量球员价值的数据。