本文目录导读：
这是一个非常有趣的足球战术分析主题，在足球比赛中，“中场绞杀”通常指的是高位压迫或中场区域围抢，其目的是在对方由守转攻的瞬间，通过多人在中场区域（特别是中圈附近）进行高强度的逼抢，迫使对方失误,从而夺回球权并直接形成反击。
要利用Python进行“中场绞杀夺回球权”的数据对比分析，通常需要事件数据或追踪数据，以下是一个综合性的Python案例框架，假设你拥有类似StatsBomb、Wyscout或OPTA格式的数据。
项目目标
对比分析球队A与球队B（或同一球队的两种战术阶段）在中场区域（中线前后各15-20米）通过“绞杀式压迫”夺回球权的效率、位置及后续威胁。
核心分析指标
- 中场夺回球权总数：在中场区域完成防守动作（抢断、拦截、解围、对方失误）的次数。
- 夺回球权后的“攻转守”时间：从夺回球权到完成第一次射门或关键传球的时间（秒）。
- 抢断成功率：中场区域抢断次数 / 中场区域抢断尝试次数。
- 压迫强度热力图：中场区域防守动作发生的空间密度。
- 后续威胁转化率：中场夺回球权后,形成射门或进球的百分比。
Python代码实现框架
环境准备与数据加载
假设数据格式为CSV，包含以下列：event_type, x, y, team_id, minute, second, possession_id, outcome。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.patches import Rectangle, Circle
import warnings
warnings.filterwarnings('ignore')
# 加载数据（示例）
def load_football_data(path='match_events.csv'):
df = pd.read_csv(path)
return df
df = load_football_data()
定义中场区域与“绞杀”事件识别
足球场规格假设为105m x 68m，中圈半径为9.15m，我们将“中场”定义为 x 坐标在 [30, 75] 区间（从本方底线到对方底线）。
# 定义中场区域（x坐标：中场线两侧各20米）
MIDFIELD_X_MIN = 30
MIDFIELD_X_MAX = 75
# 判断是否在中场
def is_in_midfield(x):
return MIDFIELD_X_MIN <= x <= MIDFIELD_X_MAX
# 定义“绞杀”事件类型（抢断、拦截、犯规、对方失误）
PRESS_EVENTS = ['Tackle', 'Interception', 'Pressure', 'Ball Recovery', 'Error']
def is_press_event(row):
return row['event_type'] in PRESS_EVENTS and is_in_midfield(row['x'])
# 标记夺回球权事件
df['is_midfield_regain'] = df.apply(is_press_event, axis=1)
团队对比统计
# 按球队分组统计中场夺回球权次数
team_stats = df[df['is_midfield_regain']].groupby('team_id').agg(
total_regains=('event_id', 'count'),
avg_x=('x', 'mean'),
avg_y=('y', 'mean')
).reset_index()
print("中场绞杀夺回球权统计：")
print(team_stats)
# 计算成功率（抢断成功/抢断尝试）
tackle_stats = df[df['event_type'].isin(['Tackle', 'Pressure'])].groupby(['team_id', 'event_type']).agg(
attempts=('event_id', 'count'),
successes=('outcome', lambda x: (x == 'success').sum())
)
tackle_stats['success_rate'] = tackle_stats['successes'] / tackle_stats['attempts'] * 100
print(tackle_stats)
高级分析：夺回球权后的“威胁指数”
通过计算夺回球权后的秒数内是否发生射门或关键传球。
# 假设数据已按时间排序
df_sorted = df.sort_values(['match_id', 'minute', 'second'])
# 找出每一个中场夺回事件后5秒内的下一个事件
def calculate_threat(df_sorted):
threats = []
for idx, event in df_sorted[df_sorted['is_midfield_regain']].iterrows():
# 找到该事件后5秒内的事件
future = df_sorted[(df_sorted['minute']*60 + df_sorted['second'] >
event['minute']*60 + event['second']) &
(df_sorted['minute']*60 + df_sorted['second'] <=
event['minute']*60 + event['second'] + 5) &
(df_sorted['team_id'] == event['team_id'])]
# 检查是否有射门或关键传球
threat_event = future[future['event_type'].isin(['Shot', 'Key Pass'])]
if not threat_event.empty:
threats.append({
'regain_event_id': event['event_id'],
'threat_type': threat_event.iloc[0]['event_type'],
'time_to_threat': (threat_event.iloc[0]['minute']*60 + threat_event.iloc[0]['second']) -
(event['minute']*60 + event['second']),
'x_start': event['x'],
'y_start': event['y']
})
return pd.DataFrame(threats)
threat_df = calculate_threat(df_sorted)
print(f"从中场绞杀中直接形成的威胁次数: {len(threat_df)}")
print(f"平均形成威胁时间: {threat_df['time_to_threat'].mean():.2f}秒")
可视化：中场热力图与对比
# 绘制两支球队的中场夺回球权热力图
fig, axes = plt.subplots(1, 2, figsize=(16, 6))
team_ids = df['team_id'].unique()
for ax, team_id in zip(axes, team_ids):
team_data = df[(df['team_id'] == team_id) & (df['is_midfield_regain'])]
# 画球场背景
ax.add_patch(Rectangle((0, 0), 105, 68, fill=False, edgecolor='black', linewidth=2))
ax.plot([105/2, 105/2], [0, 68], color='black', linewidth=1.5)
ax.add_patch(Circle((105/2, 34), 9.15, fill=False, edgecolor='black', linewidth=1.5))
# 绘制热力图（使用核密度估计）
from scipy.stats import gaussian_kde
if len(team_data) > 1:
kde = gaussian_kde([team_data['x'], team_data['y']])
x_grid, y_grid = np.mgrid[30:75:100j, 0:68:100j]
z = kde(np.vstack([x_grid.ravel(), y_grid.ravel()])).reshape(x_grid.shape)
ax.contourf(x_grid, y_grid, z, levels=20, cmap='Reds', alpha=0.7)
ax.scatter(team_data['x'], team_data['y'], alpha=0.6, s=30, c='white', edgecolors='black')
ax.set_xlim(0, 105)
ax.set_ylim(0, 68)
ax.set_title(f'Team {team_id} - Midfield Regain Heatmap')
ax.set_aspect('equal')
plt.tight_layout()
plt.show()
实际案例对比（模拟数据示意）
假设我们有两支球队：
| 指标 | 球队A（高位压迫型） | 球队B（中场保守型） | |
|---|---|---|---|
| 中场夺回球权总数 | 47次 | 22次 | A更激进 |
| 中场抢断成功率 | 68% | 55% | A效率更高 |
| 夺回后5秒内射门次数 | 8次 | 2次 | A反击威胁更大 |
| 夺回球权平均x坐标 | 57m（更靠近对方） | 42m（本方中场） | 压迫线靠前 |
| 对手失误率 | 40% | 25% | A施加压力更大 |
Python输出可视化对比图表：
# 雷达图对比 from math import pi categories = ['Regains', 'Success Rate %', 'Shot Threats', 'Avg Pressure Line', 'Opponent Errors'] N = len(categories) values_teamA = [47, 68, 8, 57, 40] values_teamB = [22, 55, 2, 42, 25] # 归一化到0-100 norm_A = [v/max(values_teamA + values_teamB)*100 for v in values_teamA] norm_B = [v/max(values_teamA + values_teamB)*100 for v in values_teamB] angles = [n / float(N) * 2 * pi for n in range(N)] angles += angles[:1] fig, ax = plt.subplots(figsize=(8,8), subplot_kw=dict(polar=True)) ax.plot(angles, norm_A + norm_A[:1], 'o-', linewidth=2, label='Team A (Pressing)') ax.fill(angles, norm_A + norm_A[:1], alpha=0.25) ax.plot(angles, norm_B + norm_B[:1], 's-', linewidth=2, label='Team B (Conservative)') ax.fill(angles, norm_B + norm_B[:1], alpha=0.25) ax.set_xticklabels(categories) ax.legend(loc='upper right')'Midfield Press Performance: Team A vs Team B') plt.show()
高级拓展：使用追踪数据
如果你拥有球员的追踪数据（如每秒位置）,你可以：
- 定义“绞杀密度”：计算每个时间点,距离持球队员3米内的防守球员数量。
- 识别“绞杀时机”：当防守球员在对方半场连续3秒内超过3人时，标记为“绞杀期”。
- 对比：绞杀期内的夺回球权概率 vs 非绞杀期。
# 伪代码示意（假设有tracking_data）
def calculate_press_density(ball_position, player_positions, threshold=3):
defenders_near = [p for p in player_positions
if distance(p, ball_position) < 3]
return len(defenders_near)
# 对每个时间窗口计算
tracking_df['press_density'] = tracking_df.apply(calculate_press_density, axis=1)
# 找出高密度时段（绞杀）
high_press_periods = tracking_df[tracking_df['press_density'] >= 3]
总结建议
这个综合Python案例能帮助你量化“中场绞杀”战术的实际效果，通过对比不同球队或不同战术时期的数据,你可以发现：
- 高压迫是否导致更多的中场夺回球权？
- 这些夺回球权是否真正转化为有威胁的进攻机会？
- 有没有球队A的中场压迫成功率更高，但后续威胁转化率却不如球队B？（可能是因压迫后身体失衡、传球精度下降）
实际应用中，推荐使用 StatsBombR 或 mplsoccer 进行更专业的足球数据可视化。
