Python案例统计回传次数反映保守程度？

wen python案例 2026-07-27 2

本文目录导读：

核心逻辑
案例设计
完整Python代码
代码运行结果解读
深入讨论：为什么要用“占比”而非“次数”？
扩展应用（真实场景）

这是一个非常有趣且具有实际意义的Python数据分析案例,在足球（或其他体育）数据分析中，“回传次数”确实是衡量一支球队或球员“保守程度”的重要指标之一。

下面,我为你构建一个从数据模拟到分析可视化的完整案例，帮助你理解如何通过统计回传次数来量化保守程度。

核心逻辑

定义： 回传（或横传/向后传）通常意味着球队不寻求向前推进或突破，而是通过控制球权来降低风险，回传次数越多，通常代表打法越偏向于控球、安全、谨慎，即“保守”。
衡量指标：
- 绝对回传次数： 一场比赛中回传的总数。
- 回传占比： 回传次数 / 总传球次数，这个指标比绝对次数更有说服力，因为它排除了球队控球率整体高低的影响。
- 回传/向前传球比： 回传次数 / 向前传球次数，这是最能体现“拒绝冒险”倾向的指标。

案例设计

我们将模拟一个5轮联赛的数据,包含多支球队，我们将分析：

哪支球队最保守（回传占比最高）？
每支球队的保守程度随时间（轮次）的变化趋势。

完整Python代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文显示（如果有中文标签的需要）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
# ------------------- 1. 模拟数据生成 -------------------
np.random.seed(42)
teams = ['勇士FC', '风暴联', '蓝月亮', '红魔队', '银河队']
rounds = 5  # 模拟5轮比赛
data = []
for team in teams:
    # 为每支球队设定一个“保守倾向”的基准参数
    # 保守队：回传多，向前少；激进队：回传少，向前多
    if team == '勇士FC':
        base_back = 45  # 基准回传次数
        base_forward = 25
    elif team == '风暴联':
        base_back = 30
        base_forward = 40
    elif team == '蓝月亮':
        base_back = 55  # 最保守
        base_forward = 20
    elif team == '红魔队':
        base_back = 20  # 最激进
        base_forward = 50
    else:  # 银河队
        base_back = 40
        base_forward = 35
    for r in range(1, rounds + 1):
        # 添加随机波动，模拟真实比赛变化
        back_passes = int(np.random.normal(base_back, 5))
        forward_passes = int(np.random.normal(base_forward, 4))
        lateral_passes = int(np.random.normal(20, 3))
        # 确保传球数不为负
        back_passes = max(back_passes, 5)
        forward_passes = max(forward_passes, 5)
        lateral_passes = max(lateral_passes, 5)
        total_passes = back_passes + forward_passes + lateral_passes
        data.append({
            '球队': team,
            '轮次': r,
            '回传次数': back_passes,
            '向前传球': forward_passes,
            '横向传球': lateral_passes,
            '总传球': total_passes
        })
df = pd.DataFrame(data)
print("原始数据概览（前10行）：")
print(df.head(10))
# ------------------- 2. 特征工程：计算保守程度指标 -------------------
df['回传占比'] = df['回传次数'] / df['总传球'] * 100
df['回传/向前比'] = df['回传次数'] / df['向前传球']
print("\n--- 包含保守指标的数据 ---")
print(df[['球队', '轮次', '回传次数', '总传球', '回传占比', '回传/向前比']].head(10))
# ------------------- 3. 分析汇总 -------------------
# 3.1 各球队的场均指标（保守程度排名）
team_stats = df.groupby('球队').agg(
    场均回传=('回传次数', 'mean'),
    场均总传球=('总传球', 'mean'),
    平均回传占比=('回传占比', 'mean'),
    平均回传向前比=('回传/向前比', 'mean')
).reset_index()
# 按回传占比降序排列（越保守排名越前）
team_stats_sorted = team_stats.sort_values('平均回传占比', ascending=False)
print("\n=== 球队保守程度排名（按回传占比） ===")
print(team_stats_sorted.to_string(index=False))
# 3.2 识别最保守和最激进的球队
most_conservative = team_stats_sorted.iloc[0]['球队']
most_aggressive = team_stats_sorted.iloc[-1]['球队']
print(f"\n最保守球队: {most_conservative} (回传占比: {team_stats_sorted.iloc[0]['平均回传占比']:.1f}%)")
print(f"最激进球队: {most_aggressive} (回传占比: {team_stats_sorted.iloc[-1]['平均回传占比']:.1f}%)")
# ------------------- 4. 可视化呈现 -------------------
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
# 4.1 各球队回传占比箱线图（离散程度+中位数）
sns.boxplot(data=df, x='球队', y='回传占比', palette='viridis', ax=axes[0, 0])
axes[0, 0].set_title('各球队回传占比分布（越高越保守）')
axes[0, 0].set_ylabel('回传占比(%)')
axes[0, 0].tick_params(axis='x', rotation=15)
# 4.2 回传占比趋势图（随时间变化）
for team in teams:
    team_data = df[df['球队'] == team]
    axes[0, 1].plot(team_data['轮次'], team_data['回传占比'], marker='o', label=team)
axes[0, 1].set_title('各球队保守程度随轮次变化趋势')
axes[0, 1].set_xlabel('轮次')
axes[0, 1].set_ylabel('回传占比(%)')
axes[0, 1].legend()
axes[0, 1].grid(True, linestyle='--', alpha=0.6)
# 4.3 回传次数 vs 向前传球散点图（每个点代表一场比赛）
colors = {'勇士FC': 'blue', '风暴联': 'green', '蓝月亮': 'purple', '红魔队': 'red', '银河队': 'orange'}
for team in teams:
    team_data = df[df['球队'] == team]
    axes[1, 0].scatter(team_data['回传次数'], team_data['向前传球'],
                       c=colors[team], label=team, alpha=0.7, s=80)
# 添加对角线（回传=向前）
max_val = df[['回传次数', '向前传球']].max().max()
axes[1, 0].plot([0, max_val], [0, max_val], 'k--', label='回传=向前')
axes[1, 0].set_xlabel('回传次数')
axes[1, 0].set_ylabel('向前传球次数')
axes[1, 0].set_title('回传 vs 向前传球（点越靠近左上角越保守）')
axes[1, 0].legend()
axes[1, 0].grid(True)
# 4.4 回传/向前比条形图
axes[1, 1].bar(team_stats_sorted['球队'], team_stats_sorted['平均回传向前比'],
               color=['darkred', 'red', 'orange', 'lightgreen', 'green'])
axes[1, 1].set_title('平均回传/向前比（越大越保守）')
axes[1, 1].set_ylabel('比值')
axes[1, 1].tick_params(axis='x', rotation=15)
plt.tight_layout()
plt.show()
# ------------------- 5. 进阶分析（可选） -------------------
print("\n--- 进阶洞察 ---")
# 找出轮次回传占比最高的比赛（极端保守案例）
extreme_conserv = df.loc[df['回传占比'].idxmax()]
print(f"最保守的单场比赛: {extreme_conserv['球队']} 第{extreme_conserv['轮次']}轮, "
      f"回传占比: {extreme_conserv['回传占比']:.1f}%, "
      f"回传/向前比: {extreme_conserv['回传/向前比']:.2f}")
# 找出轮次回传占比最低的比赛（极端激进案例）
extreme_aggressive = df.loc[df['回传占比'].idxmin()]
print(f"最激进的单场比赛: {extreme_aggressive['球队']} 第{extreme_aggressive['轮次']}轮, "
      f"回传占比: {extreme_aggressive['回传占比']:.1f}%, "
      f"回传/向前比: {extreme_aggressive['回传/向前比']:.2f}")

代码运行结果解读

运行上述代码,你将看到：

控制台输出（示例）：
- 球队保守程度排名表,显示每支球队的场均回传占比。
- “蓝月亮”可能是最保守的（回传占比最高），“红魔队”是最激进的。
- 极端单场比赛案例。
可视化图表（Key Insights）：
- 箱线图： 展示每支球队5场比赛的回传占比分布，中位数越高，球队越保守；箱子越宽，风格波动越大。
- 趋势图： 观察各队风格是否稳定，有的球队可能始终保守，有的可能根据对手或比分调整战术（例如领先时回传增多，变得保守）。
- 散点图： 每个点代表一场比赛。点越靠近左上角（回传多，向前少），说明该队在这场比赛越保守。点越靠近右下角，越激进。
- 柱状图： 直观对比各队的回传/向前比，比值大于1意味着回传比向前传球还多，这是非常保守的体现。