Python案例统计红黄牌数量哪队更多？

wen python案例 2026-07-26 2

用Python统计哪支球队红黄牌数量更多？——案例深度解析

目录导读

引言：红黄牌统计的实战意义
问题拆解：如何定义“哪队更多”？
环境准备与数据获取
- 1 Python环境与核心库安装
- 2 公开赛事数据源与清洗技巧
核心案例代码解析
- 1 数据加载与预处理
- 2 按球队聚合红黄牌总数
- 3 多维度比较（联赛/赛季/对阵）
问答环节：常见疑问与误区
结果可视化：一张图看懂罚牌分布
SEO优化指南：如何让分析文章被更多人看到
从数据到决策的价值

红黄牌统计的实战意义

在足球数据分析中,红黄牌数量不仅反映球队的纪律性，更直接关联战术风险与比赛结果，许多球迷、球队分析师、甚至博彩行业都需要快速统计“哪支球队红黄牌数量更多”，手动翻阅比赛记录效率低下，而通过Python自动化统计，数万场比赛的数据仅需几秒即可得出答案。

Python案例统计红黄牌数量哪队更多？

本文目标：通过真实案例，手把手教你用Python从公开足球数据中统计红黄牌，并对比不同球队的累计数量，最终输出一份可复用的分析脚本，无论你是数据分析初学者还是资深球迷，都能从中学到硬核技能。

问题拆解：如何定义“哪队更多”？

在开始写代码前,必须明确三个关键问题：

统计范围：是某赛季内比较？还是所有历史数据？
红黄牌权重：是否区分红牌（通常更严重）？需不需要将红牌按2张黄牌折算？
对比维度：按国家联赛（如英超）对比？还是按球队主客场对比？

默认场景：

范围：欧洲五大联赛（英超、西甲、意甲、德甲、法甲）2023/24赛季。
规则：黄牌1分，红牌2分（模拟实际惩罚力度）。
结果：输出“红黄牌积分”最高的球队TOP10。

环境准备与数据获取

1 Python环境与核心库

pip install pandas numpy matplotlib seaborn requests

pandas：数据处理主力。
seaborn：美观统计图表。
requests：若需爬取实时数据（本文使用本地CSV）。

2 数据来源与清洗

推荐使用开源数据集：

Kaggle数据集：搜索“Football Red Yellow Cards Dataset”。
Football-Data.co.uk：提供历史比赛CSV（免费，无域名要求）。

本文使用一份已公开的欧洲联赛罚牌数据（约5万行），原始数据包含：
联赛,赛季,主队,客队,主队黄牌,主队红牌,客队黄牌,客队红牌

清洗要点：

剔除空值行。
统一红黄牌数值为整数。
合并主客队为“球队”维度。

import pandas as pd
df = pd.read_csv('europe_cards_2023_24.csv')
df = df.dropna(subset=['主队黄牌','客队黄牌'])
df[['主队黄牌','主队红牌','客队黄牌','客队红牌']] = df[['主队黄牌','主队红牌','客队黄牌','客队红牌']].astype(int)

核心案例代码解析

1 数据加载与预处理

我们将“主队”和“客队”记录拆分为统一维度的球队数据：

# 提取主队数据
home = df[['主队','主队黄牌','主队红牌']].rename(columns={'主队':'球队','主队黄牌':'黄牌','主队红牌':'红牌'})
# 提取客队数据
away = df[['客队','客队黄牌','客队红牌']].rename(columns={'客队':'球队','客队黄牌':'黄牌','客队红牌':'红牌'})
# 合并
all_teams = pd.concat([home, away], ignore_index=True)

2 按球队聚合红黄牌总数

# 红黄牌积分：黄牌1分，红牌2分
all_teams['罚分'] = all_teams['黄牌'] * 1 + all_teams['红牌'] * 2
# 按球队汇总
team_summary = all_teams.groupby('球队').agg(
    总黄牌=('黄牌','sum'),
    总红牌=('红牌','sum'),
    总罚分=('罚分','sum'),
    比赛场次=('罚分','count')
).reset_index()
# 排序
top_teams = team_summary.sort_values('总罚分', ascending=False).head(10)
print(top_teams[['球队','总黄牌','总红牌','总罚分']])

输出示例（基于某赛季数据）：

球队	总黄牌	总红牌	总罚分
曼城	78	5	88
皇马	82	3	88
拜仁	71	6	83

3 多维度比较：按联赛、赛季、对阵关系

你可能会问：“曼城和皇马罚分相同，谁纪律更差？”

按场均罚分比较：top_teams['场均罚分'] = top_teams['总罚分'] / top_teams['比赛场次']
按对阵强队筛选：df[(df['主队']=='曼城') & (df['客队'].isin(['利物浦','阿森纳']))]

问答环节：常见疑问与误区

Q1：为什么我的数据里红牌统计为0？

A：部分数据集仅记录“红牌”为“1”，需检查是否包含“两黄变一红”的隐藏数据，可增加列：df['红牌调整'] = df['红牌'] + (df['两黄变红'] if exists else 0)

Q2：统计结果感觉不符合印象（比如巴萨红牌少）？

A：统计数据只反映“裁判出示”的数量，不反映“犯规严重性”，巴萨传控打法通常控球率高，犯规少，因此红黄牌少是合理的。

Q3：能否自动爬取最新比赛数据？

A：可以，但需注意版权，推荐使用API（如Football-Data.org）或抓取ESPN、SofaScore等站点的公开表格（需遵守robots.txt）。

Q4：红牌按2分权重是否客观？

A：无统一标准，若研究“对比赛影响”，可使用更复杂的权重：红牌直接导致10分钟少一人，影响远超2张黄牌，但本文案例默认简单加权。

结果可视化：一张图看懂罚牌分布

使用Seaborn绘制柱状图,明确展示哪队“红黄牌数量更多”：

import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(12,6))
sns.barplot(data=top_teams, x='球队', y='总罚分', palette='Reds_r')'2023/24赛季欧洲五大联赛红黄牌罚分TOP10', fontsize=16)
plt.xticks(rotation=45)
plt.ylabel('总罚分 (黄牌x1 + 红牌x2)')
plt.tight_layout()
plt.show()

图表解读：