本文目录导读：
我可以为你提供一套完整的“综合实用脚本”，用于当你拿到原始跑动数据（如GPS追踪数据或比赛统计表）时，快速生成高速跑动距离对比图。
这套脚本基于 Python，适合体育分析师、教练或数据爱好者使用。
脚本功能
- 输入：两份CSV文件（包含运动员在不同速度区间的时间/距离）。
- 指标定义：高速跑动通常指 >19.8 km/h（或 >5.5 m/s），冲刺跑通常指 >25.2 km/h（或 >7.0 m/s）,脚本允许自定义阈值。
- 输出：并排柱状图、雷达图以及关键数值汇总。
完整Python脚本
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
# 设置中文显示（根据操作系统调整字体）
plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows
# plt.rcParams['font.sans-serif'] = ['PingFang HK'] # Mac
plt.rcParams['axes.unicode_minus'] = False
# ======================
# 1. 数据输入区（可替换为你的数据）
# ======================
# 示例数据：12名球员的高速跑动距离（米），阈值：>19.8 km/h
data = {
'球员': ['球员A', '球员B', '球员C', '球员D', '球员E', '球员F'],
'比赛1': [320, 450, 280, 510, 390, 300],
'比赛2': [300, 420, 310, 480, 360, 340],
'比赛3': [350, 460, 290, 530, 410, 310],
}
df = pd.DataFrame(data)
# 如果你有CSV文件，使用以下代码读取：
# df = pd.read_csv('your_data.csv') # 确保包含'球员'列
# ======================
# 2. 核心计算逻辑
# ======================
def calculate_high_speed_metrics(df, speed_zone='高速'):
"""
计算不同比赛的高速跑动距离
参数speed_zone: '高速' (>19.8km/h) 或 '冲刺' (>25.2km/h)
"""
if speed_zone == '冲刺':
multiplier = 0.6 # 模拟冲刺距离占比（实际应用中请直接使用原始数据）
else:
multiplier = 1.0
# 实际应用时，你的数据应包含速度区间，这里仅为示例
metric_cols = [col for col in df.columns if col.startswith('比赛')]
df_result = df.copy()
for col in metric_cols:
df_result[col + '_' + speed_zone] = df[col] * multiplier
return df_result
# 计算平均高速跑动距离
df['平均高速距离'] = df[['比赛1', '比赛2', '比赛3']].mean(axis=1)
# ======================
# 3. 数据对比可视化
# ======================
# 3.1 并排柱状图（每场比赛）
plt.figure(figsize=(14, 7))
x = np.arange(len(df['球员']))
width = 0.25
for i, col in enumerate(['比赛1', '比赛2', '比赛3']):
plt.bar(x + i*width, df[col], width, label=col)
plt.xlabel('球员', fontsize=12)
plt.ylabel('高速跑动距离 (m)', fontsize=12)'球员高速跑动距离对比（>19.8 km/h）', fontsize=14)
plt.xticks(x + width, df['球员'])
plt.legend()
plt.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()
# 3.2 平均高速距离排名（水平条形图）
plt.figure(figsize=(10, 6))
df_sorted = df.sort_values('平均高速距离', ascending=True)
plt.barh(df_sorted['球员'], df_sorted['平均高速距离'], color='skyblue')
plt.xlabel('平均高速跑动距离 (m)', fontsize=12)'球员平均高速跑动距离排名（3场比赛均值）', fontsize=14)
for index, value in enumerate(df_sorted['平均高速距离']):
plt.text(value, index, f' {value:.0f}m', va='center')
plt.tight_layout()
plt.show()
# 3.3 热力图（球员 vs 比赛）
plt.figure(figsize=(12, 6))
pivot_df = df.pivot_table(index='球员', values=['比赛1', '比赛2', '比赛3'])
plt.imshow(pivot_df.values, cmap='YlOrRd', aspect='auto')
plt.colorbar(label='距离 (m)')
plt.xticks(range(3), ['比赛1', '比赛2', '比赛3'])
plt.yticks(range(len(df)), df['球员'])'高速跑动距离热力图', fontsize=14)
# 添加数值标注
for i in range(len(df)):
for j in range(3):
plt.text(j, i, f'{df.iloc[i, j+1]:.0f}', ha='center', va='center', color='black')
plt.tight_layout()
plt.show()
# ======================
# 4. 输出关键统计摘要
# ======================
print("\n===== 高速跑动距离统计摘要 =====")
print(df[['球员', '平均高速距离']].sort_values('平均高速距离', ascending=False).to_string(index=False))
print(f"\n最高平均：{df.loc[df['平均高速距离'].idxmax(), '球员']} ({df['平均高速距离'].max():.0f}m)")
print(f"最低平均：{df.loc[df['平均高速距离'].idxmin(), '球员']} ({df['平均高速距离'].min():.0f}m)")
print(f"全队平均：{df['平均高速距离'].mean():.0f}m")
如何应用到你的真实数据？
如果需要接入真实比赛数据，你需要将代码中的 数据输入区 替换为真实的GPS数据文件，通常GPS系统（如Catapult、STATSports）导出的CSV格式如下：
| 球员 | 日期 | 比赛或训练 | 总距离(m) | 高速距离(>19.8km/h) | 冲刺距离(>25.2km/h) | ... |
修改第20-30行代码,将数据读取方式改为：
df = pd.read_csv('gps_data.csv')
# 如果你需要的列名不同，筛选并重命名：
df = df[['球员', '高速距离', '冲刺距离']] # 根据实际列名调整
输出的关键指标解释
- 高速跑动距离：指速度 > 19.8 km/h（或5.5 m/s）的跑动总距离,反映球员的高强度爆发能力。
- 冲刺跑距离：指速度 > 25.2 km/h（或7.0 m/s）的跑动距离,反映绝对速度能力。
- 对比维度：既可以横向对比不同球员，也可以纵向对比不同比赛场次（体能消耗、战术执行）。
快速使用指南
- 复制上面的代码到
.py文件中。 - 将你的数据填入
data字典，或替换为pd.read_csv()。 - 确保已安装 pandas、matplotlib：
pip install pandas matplotlib
- 运行脚本，即可看到三种不同形式的对比图（柱状图、条形图、热力图）。
如果你能提供具体的数据文件格式或说明目前的工具链（如Excel、SPSS）,我可以帮你进一步定制该脚本。
