Python案例统计落叶球射门成功率如何？

wen python案例 2026-07-27 2

本文目录导读：

核心问题定义
案例假设与数据模拟
真实应用场景说明

要统计“落叶球”（一种带有强烈下坠弧线的射门，通常指C罗或类似球员的电梯球）在足球比赛中的成功率,需要一个基于数据的分析案例。

由于真实比赛数据通常由专业机构（如Opta、StatsBomb）提供，且“落叶球”并非官方统计分类，我们需要自己定义一个统计模型。

以下是一个Python案例,教你如何使用模拟数据或真实比赛事件数据来统计落叶球的成功率。

核心问题定义

什么是落叶球？ 我们定义：射门前无旋转或极少量旋转，且球在飞行后半段有明显垂直加速度（下坠）。
成功率的定义：成功率 = 落叶球射门进球数 / 全部落叶球射门次数。

案例假设与数据模拟

我们将模拟1000次射门数据,包含以下字段：

shot_id：射门编号
is_knuckleball：是否为落叶球（1是,0否）
distance：射门距离（米）
goal：是否进球（1是,0否）

第一步：导入库并生成模拟数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 设置随机种子，保证结果可复现
np.random.seed(42)
# 模拟1000次射门记录
n_shots = 1000
# 模拟是否为落叶球：假设30%的射门被判断为落叶球
is_knuckleball = np.random.choice([0, 1], size=n_shots, p=[0.7, 0.3])
# 模拟射门距离：落叶球通常在25-35米，普通射门距离更分散
distance = np.where(
    is_knuckleball == 1,
    np.random.normal(28, 5, n_shots),  # 落叶球平均28米
    np.random.normal(20, 8, n_shots)   # 普通射门平均20米
)
# 限制距离在合理范围
distance = np.clip(distance, 5, 45)
# 模拟进球：假设落叶球进球率10%，普通射门进球率15%
goal_prob = np.where(
    is_knuckleball == 1,
    0.10,  # 落叶球难度大，成功率低
    0.15   # 普通射门
)
# 加入一些随机性和距离影响：越远越难进
goal_prob = goal_prob * (1 - distance / 100)
goal = np.random.binomial(1, p=goal_prob, size=n_shots)
# 组合成DataFrame
df = pd.DataFrame({
    'shot_id': range(n_shots),
    'is_knuckleball': is_knuckleball,
    'distance': distance.round(1),
    'goal': goal
})
# 查看前几行
print(df.head())

第二步：统计基础成功率

# 总射门数
total_shots = len(df)
print(f"总射门数: {total_shots}")
# 落叶球射门与进球
knuckleball_shots = df[df['is_knuckleball'] == 1]
total_knuckleball = len(knuckleball_shots)
knuckleball_goals = knuckleball_shots['goal'].sum()
# 普通射门
normal_shots = df[df['is_knuckleball'] == 0]
total_normal = len(normal_shots)
normal_goals = normal_shots['goal'].sum()
print(f"\n=== 成功率统计 ===")
print(f"落叶球射门次数: {total_knuckleball}")
print(f"落叶球进球数: {knuckleball_goals}")
print(f"落叶球成功率: {knuckleball_goals/total_knuckleball:.2%}")
print(f"\n普通射门次数: {total_normal}")
print(f"普通射门进球数: {normal_goals}")
print(f"普通射门成功率: {normal_goals/total_normal:.2%}")

输出示例：

总射门数: 1000
=== 成功率统计 ===
落叶球射门次数: 297
落叶球进球数: 18
落叶球成功率: 6.06%
普通射门次数: 703
普通射门进球数: 85
普通射门成功率: 12.09%

第三步：进阶分析（按距离区间统计）

# 划分距离区间
bins = [0, 20, 25, 30, 35, 50]
labels = ['<20m', '20-25m', '25-30m', '30-35m', '>35m']
df['distance_zone'] = pd.cut(df['distance'], bins=bins, labels=labels)
# 按是否为落叶球和距离区间分组统计
stats = df.groupby(['is_knuckleball', 'distance_zone']).agg(
    射门次数=('goal', 'count'),
    进球数=('goal', 'sum')
)
stats['成功率'] = (stats['进球数'] / stats['射门次数'] * 100).round(2)
print("=== 不同距离区间的成功率对比 ===")
print(stats)

输出示例：

=== 不同距离区间的成功率对比 ===
                    射门次数  进球数  成功率
is_knuckleball distance_zone                   
0             <20m          326     52  15.95
              20-25m        145     17  11.72
              25-30m        121     10   8.26
              30-35m         63      4   6.35
              >35m           48      2   4.17
1             <20m           10      1  10.00
              20-25m         45      4   8.89
              25-30m        108      7   6.48
              30-35m         89      4   4.49
              >35m           45      2   4.44

第四步：可视化展示

# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 计算总体的成功率柱状图
success_rate = df.groupby('is_knuckleball')['goal'].mean() * 100
plt.figure(figsize=(12, 5))
plt.subplot(1, 2, 1)
bars = plt.bar(['普通射门', '落叶球射门'], success_rate, color=['blue', 'red'], alpha=0.7)
plt.ylabel('成功率 (%)')'总体成功率对比')
# 在柱子上显示数值
for bar, rate in zip(bars, success_rate):
    plt.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.5,
             f'{rate:.2f}%', ha='center', va='bottom', fontsize=11)
plt.subplot(1, 2, 2)
# 按距离区间画成功率折线图
pivot = df.pivot_table(values='goal', index='distance_zone',
                       columns='is_knuckleball', aggfunc='mean') * 100
pivot.columns = ['普通射门', '落叶球射门']
pivot.plot(kind='line', marker='o', ax=plt.gca())
plt.xlabel('射门距离区间')
plt.ylabel('成功率 (%)')'不同距离下的成功率变化')
plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()

第五步：统计显著性检验（可选）

我们可以用卡方检验或t检验来判断落叶球的成功率是否显著低于普通射门。

from scipy.stats import chi2_contingency
# 构建列联表
contingency_table = pd.crosstab(df['is_knuckleball'], df['goal'])
print("列联表：")
print(contingency_table)
chi2, p, dof, expected = chi2_contingency(contingency_table)
print(f"\n卡方值: {chi2:.3f}")
print(f"p值: {p:.4f}")
alpha = 0.05
if p < alpha:
    print("落叶球与普通射门的成功率存在统计学显著差异")
else:
    print("没有足够证据表明两者成功率有显著差异（在本模拟中）")

真实应用场景说明

如果要在真实比赛数据中使用此方法,需要：

获取事件数据：从StatsBomb、Wyscout或SofaScore等平台下载JSON格式的比赛事件数据。
识别落叶球：真实数据通常包含shot.technique字段（如 Normal、Volley、Half Volley），但没有专门“落叶球”标签，你需要借助物理特征：
- 球在射门后3米内的旋转速度（Spin Rate）接近0
- 球的飞行轨迹在最后1/3段有垂直加速度 > 某个阈值
- 通常由ball_carry_effect（球的携带效应）和end_speed数据推算
代码调整：将 is_knuckleball 的生成逻辑替换为真实物理模型判断。

这个案例通过Python展示了：

如何定义统计口径（落叶球的判别标准）
如何用pandas分组统计成功率和进球分布
如何可视化不同条件下的表现差异
如何进行统计检验验证差异是否显著

如果你有真实的比赛事件数据（比如C罗在皇马的30米外任意球数据集），可以把这个 is_knuckleball 替换为真实判断字段,就能得到有实际意义的落叶球成功率统计。