python案例如何量化进攻三区效率值？

wen python案例 2026-08-06 2

本文目录导读：

第一阶段：定义核心指标（效率的维度）
第二阶段：构造模拟数据（可替换为你的实际数据集）
第三阶段：核心量化计算（Python逻辑）
第四阶段：构建综合“进攻三区效率指数”（Final Score）
第五阶段：进阶优化（如使用 StatsBomb 数据）
总结：如何解读你的 Python 输出？

量化“进攻三区效率值”是足球数据分析中的热门课题。进攻三区（Final Third）通常指距离对方球门约30米（或最后35码）的区域。

量化该区域的效率，核心逻辑是 “单位球权/单位时间/单位射门机会”能产生多少“进攻收益”。

这里给你提供一个基于 Python + Pandas + 事件流数据（如StatsBomb或Wyscout格式） 的完整量化案例框架。

第一阶段：定义核心指标（效率的维度）

我们不能只看“进球数”，因为样本太小，通常我们将效率拆解为三个维度,最后合成综合评分：

纵深推进效率（推进能力）：球在该区域的停留时间比、进入次数、以及进入后向前传球（Progressive Pass）的成功率。
射门创造效率（威胁制造）：每次进入三区，能产生多少射门（Shots）或绝对机会（Big Chances）。
终结转化效率（得分能力）：射门转化率、进球期望值（xG）的实际达成率。

第二阶段：构造模拟数据（可替换为你的实际数据集）

假设你有每条事件数据（传球、接球、射门），包含 x, y 坐标。

import pandas as pd
import numpy as np
from collections import defaultdict
# 模拟数据格式：事件、球队、球员、位置、时间、结果
np.random.seed(42)
n_samples = 5000
data = {
    'event_type': np.random.choice(['pass', 'reception', 'shot', 'dribble'], n_samples, p=[0.6, 0.2, 0.1, 0.1]),
    'team': np.random.choice(['Team_A', 'Team_B'], n_samples),
    'player': np.random.choice(['Player_X', 'Player_Y', 'Player_Z'], n_samples),
    'x': np.random.uniform(0, 100, n_samples), # 假设0是己方底线，100是对方底线
    'y': np.random.uniform(0, 100, n_samples), # 宽度
    'outcome': np.random.choice(['success', 'fail'], n_samples, p=[0.75, 0.25]),
    'is_goal': np.random.choice([0, 1], n_samples, p=[0.98, 0.02])
}
df = pd.DataFrame(data)
# 定义进攻三区：对方半场 70-100（即罚球区到角球附近），或者更严格地看，使用 (x > 70)
df['in_final_third'] = df['x'] >= 70
print(df.head())

第三阶段：核心量化计算（Python逻辑）

我们用 矩阵计算 和 分组聚合 来实现核心量化。

进攻三区“球权停留”与“推进效率”

计算每支球队在进攻三区的触球密度和传球成功率。

# 筛选进攻三区的事件
final_third_df = df[df['in_final_third'] == True]
# 指标1：进攻三区控球率（按事件占比估算）
# 某队在三区的事件数 / 所有队伍在三区的事件数
total_final_third_events = len(final_third_df)
team_possession_ratio = final_third_df.groupby('team').size() / total_final_third_events
# 指标2：推进效率（三区传球成功率）
pass_success = final_third_df[final_third_df['event_type'] == 'pass'].groupby('team')['outcome'].apply(lambda x: (x == 'success').sum() / len(x))
print("进攻三区球权占比：")
print(team_possession_ratio)
print("\n进攻三区传球成功率（推进效率）：")
print(pass_success)

射门威胁效率（每次进入三区的得分机会）

我们需要“进入次数”，这里简化处理：每次在三区内的射门，都视为一次有效进攻尝试，但我们引入更高级的指标 Threat（威胁值），利用 x 坐标加权。

# 威胁值权重函数：离球门越近，权值越高（指数型增长）
def threat_weight(x):
    if x < 70:
        return 0
    elif x < 80:
        return 0.5
    elif x < 90:
        return 1.0
    else: # 禁区内
        return 2.0
df['threat_score'] = df['x'].apply(threat_weight)
# 计算每队的总威胁值和威胁效率（威胁值 / 触球次数）
threat_by_team = df.groupby('team')['threat_score'].sum()
touch_by_team = df.groupby('team').size()
threat_efficiency = threat_by_team / touch_by_team
print("\n单位触球威胁值（效率）：")
print(threat_efficiency)

进攻转化率（终结效率）

计算每队“进攻三区事件”到“实际进球”的效率，为了减少随机性，引入 xG（预期进球）概念，这里用 threat_score 作为 xG 的近似值。

# 真实进球数
goals_by_team = df[df['is_goal'] == 1].groupby('team').size()
# 预期进球（用威胁分总和近似，实际应使用模型计算）
xG_by_team = threat_by_team / 100 # 归一化
# 转化效率 = 实际进球 / 预期进球
conversion_efficiency = (goals_by_team / xG_by_team).fillna(0)
print("\n射门转化效率（实际进球 vs 预期进球）：")
print(conversion_efficiency)

第四阶段：构建综合“进攻三区效率指数”（Final Score）

为了避免单一指标偏差，我们使用 Z-score 标准化 将上述三个维度加权合成一个总分。

from scipy import stats
# 构建指标表
efficiency_df = pd.DataFrame({
    '控球占比': team_possession_ratio,
    '传球成功率': pass_success.fillna(0),
    '威胁效率': threat_efficiency,
    '转化效率': conversion_efficiency.fillna(0)
}).fillna(0)
# Z-score 标准化（得分为正数代表高于联盟平均）
z_scores = efficiency_df.apply(stats.zscore, axis=0)
# 权重分配（可根据需求调整）
weights = {
    '控球占比': 0.2,
    '传球成功率': 0.3,
    '威胁效率': 0.3,
    '转化效率': 0.2 # 转化效率波动大，权重稍低
}
efficiency_df['综合效率指数'] = sum(z_scores[col] * weight for col, weight in weights.items())
print("\n量化后的进攻三区效率综合排名：")
print(efficiency_df.sort_values('综合效率指数', ascending=False))

第五阶段：进阶优化（如使用 StatsBomb 数据）

如果你的数据字段更全（如 location、freeze_frame、under_pressure），你可以将“效率值”升级为：

基于威胁场（Threat Field）计算：使用积分图计算每次传球提升的威胁值（VAEP模型）。
逐步逻辑回归：利用机器学习评估每个动作对结果的边际贡献。

VAEP模型核心代码片段：

# 计算某个行为的“价值增值”
def calculate_vaep(row, next_event_gain_goal, prev_event_gain_goal):
    # 当前事件发生的概率
    p_goal_before = prev_event_gain_goal
    p_goal_after = next_event_gain_goal
    # 得分收益：如果进球则收益 1
    vaep_score = p_goal_after - p_goal_before
    if row['event_type'] == 'shot' and row['outcome'] == 'success':
        vaep_score += 1 # 进球奖励
    return vaep_score