Python案例如何解读后防线的xG against？

wen python案例 2026-07-26 1

本文目录导读：

案例场景
总结建议

这是一个非常专业且有趣的足球数据分析问题,要解读“后防线的xG against”（预期失球数，Expected Goals Against，简称xGA），我们需要从数据来源、计算方法、代码解读和业务分析四个维度来拆解。

明确核心概念：

xG （预期进球）：衡量一次射门转化为进球的概率（0-1之间）。
xGA （预期失球）：对手在面对你球队的后防线时，所获得的射门机会的xG总和，它衡量的是防守端允许对手创造机会的质量和数量。
关键区别：xGA≠实际失球，如果对手xGA很高（比如3.0）但只进了1个球，可能意味着对方把握机会能力差，或者你的门将发挥神勇。

下面,我们用一个典型的Python数据分析案例来解读如何计算和分析后防线的xGA。

案例场景

假设我们有一场英超比赛的json事件数据（来自StatsBomb或类似源），我们需要找到球队A的后防线在比赛中面对的xGA。

数据结构解读（Python 字典/JSON片段）

# 这是一个简化的事件样本
events = [
    {
        "team": "球队A",
        "player": "球员1",
        "event_type": "shot",
        "x": 100, # 球门区位置
        "y": 50,
        "xG": 0.25, # 这次射门的xG
        "body_part": "右脚",
        "under_pressure": True # 是否有防守压力
    },
    {
        "team": "球队B", # 对手射门
        "player": "对手前锋",
        "event_type": "shot",
        "x": 85, # 距离球门较近
        "y": 40,
        "xG": 0.75, # 高概率机会
        "body_part": "头球"
    }
]

核心Python代码解读

我们需要一个函数来隔离“对手在特定区域或面对特定后卫时的射门”，并计算这些射门的xG总和。

import pandas as pd
# 假设数据已加载到DataFrame df_events
# df_events 包含列: team, event_type, xG, location_x, location_y, player, assist_player (可选)
def calculate_xGA_for_team(df, team_name):
    """
    计算指定球队的后防线允许对手创造的xGA。
    逻辑：找到所有对手射门该球队门将球门的事件。
    实际项目中，更精细的逻辑是：过滤出对手射门时，本方最后一名防守球员（后卫）在特定事件中的责任。
    """
    # 1. 找出所有对手的射门
    opponent_shots = df[
        (df['team'] != team_name) &
        (df['event_type'] == 'shot')
    ]
    # 2. 计算这些射门的xG总和（这就是对手的xG）
    total_xGA = opponent_shots['xG'].sum()
    print(f"球队 {team_name} 的对手总射门次数: {len(opponent_shots)}")
    print(f"对手总xG (即球队后防线的xGA): {total_xGA:.2f}")
    # 3. 高级分析：按射门区域划分xGA
    zone_counts = opponent_shots.groupby('shot_zone').agg(
        xGA_sum=('xG', 'sum'),
        shots=('event_type', 'count')
    ).sort_values('xGA_sum', ascending=False)
    return total_xGA, zone_counts
# 示例用法
# team_a_xga, zone_analysis = calculate_xGA_for_team(df_events, "球队A")

如何解读输出的xGA值（业务分析）

假设输出结果如下：

球队A的对手总射门次数：15次
对手总xG (即球队后防线xGA)：2.85
按区域划分：
    小禁区：xGA = 1.50 （次数：5）
    大禁区-中央：xGA = 1.00 （次数：6）
    大禁区-两侧：xGA = 0.25 （次数：3）
    禁区外：xGA = 0.10 （次数：2）

解读步骤：

总量解读 (2.85 xGA)：
- 球队A的后防线允许对手创造了预期总进球2.85个的机会。
- 对比：如果球队A的实际失球是1个，说明防守表现优于预期（门将神勇/对手浪费机会），如果实际失球是4个，说明防守表现差于预期（运气差或防守意图问题）。
区域解读 (小禁区 xGA=1.50)：
- 警告信号：对手有5次在小禁区内的射门，xG合计1.50，说明后卫频繁被对手在最危险区域完成射门，这反映了后防线易被打穿身后或协防不到位。

对手射门来源于特定后卫的防守区域：

更进一步,可以查看每个后卫的xGA when facing opponent。

# 假设有标签标识防守责任
def assign_defender_responsibility(shot_event):
    # 复杂逻辑：基于位置、传球者、助攻者判断
    # 简化：如果是射门时最近的后卫
    pass
# 统计每个后卫被射门时的xGA
defender_xga = opponent_shots.groupby('closest_defender')['xG'].sum()

解读：如果左后卫A的xGA是0.8，右后卫B的xGA是0.1，说明左路防守是巨大漏洞。

对比预期失球 vs 实际失球 (PSxG - Post-Shot Expected Goals)：
- 更高级的指标是PSxG（射门后预期失球），它考虑了射门的方向和球门内的分布，如果xGA (射门前) 是2.85，但PSxG (射门后) 是2.2，说明对手射门质量一般（或者被门将干扰了射门角度），后防线的封堵做得不错。

实战中的陷阱与补充

样本量：单场比赛的xGA噪音很大，需要分析赛季累积的xGA。
防守策略：某些球队（如低位防守的球队）xGA可能很高（对手有很多远射），但实际失球很少，需要结合射门位置热图判断。
门将因素：xGA衡量的是后防线允许的机会，不包含门将扑救，如果要评价整体防守，需要看 xGA - 门将扑救影响。
代码升级：真正的xGA计算需要区分原始xG和面对门将的xG，现代分析（如Opta）会提供statsbomb_xg、psxg等字段。