实用脚本统计假动作晃过防守几次？

wen 实用脚本 2026-08-07 2

本文目录导读：

实用脚本统计假动作晃过防守几次？

方案一：基于事件流数据的脚本（Excel/CSV格式）
方案二：基于“二次触球”的智能推断脚本（高阶）
方案三：针对视频分析的OpenCV脚本（最硬核）
总结建议

在足球数据分析中,“假动作晃过防守”通常没有一个统一的官方统计标准，它介于“成功过人（Take-on）”和“触球/控球”之间。

如果要做精确统计,必须借助计算机视觉（如SoccerNet）或手动打标，如果你有一份包含球员动作类型和事件结果的统计事件流数据（如Wyscout、StatsBomb或OPTA格式），可以通过Python脚本进行提取。

以下我为你提供三种“实用脚本”的思路，从简到繁：

基于事件流数据的脚本（Excel/CSV格式）

这是最常用的方法,假设你的数据表包含列：player_name, action_type（如 "Feint", "Step Overs", "Body Feint"）, outcome（如 "Successful", "Unsuccessful", "Foul Won"）, opponent。

Python 脚本（Pandas）：

import pandas as pd
# 假设你的数据文件是 CSV
df = pd.read_csv('match_events.csv')
# 1. 筛选出所有“假动作”类动作（根据你的数据源调整关键词）
# 常见关键词：'Feint', 'Step Over', 'Body Feint', 'Dummy', 'Cruyff Turn'
feint_keywords = ['Feint', 'Step Over', 'Body Feint', 'Dummy', 'Cruyff']
# 使用正则表达式匹配（不区分大小写）
pattern = '|'.join(feint_keywords)
mask = df['action_type'].str.contains(pattern, case=False, na=False)
feints = df[mask].copy()
# 2. 统计成功次数（假设outcome字段中标记为 'Successful' 或 'Complete'）
# 若你的结果字段是 'success' 布尔值，则直接筛选
if 'success' in feints.columns:
    successful_feints = feints[feints['success'] == True]
else:
    # 或者根据字符串匹配
    success_keywords = ['Successful', 'Complete', 'Won']
    success_pattern = '|'.join(success_keywords)
    successful_feints = feints[feints['outcome'].str.contains(success_pattern, case=False, na=False)]
# 3. 打印统计结果
print("--- 统计结果 ---")
print(f"该球员尝试假动作次数: {len(feints)}")
print(f"成功晃过防守次数: {len(successful_feints)}")
# 如果你想按对手/防守人分组统计
if 'opponent' in df.columns:
    print("\n--- 晃过具体防守人明细 ---")
    result = successful_feints.groupby(['player_name', 'opponent']).size().reset_index(name='count')
    print(result)

基于“二次触球”的智能推断脚本（高阶）

如果没有“假动作”标签，但数据中有“1v1对抗”和“过人成功”，但你想过滤掉仅仅是靠速度硬吃的（冲刺趟球），可以尝试“时间差”推断：

逻辑：如果球员在一次触球后，5秒到2秒内作出了方向变化（由静止或减速变为加速），且没有丢失球权，则视为“用假动作晃过”。
前提：你需要有X/Y坐标和速度数据。

Python 脚本（Pandas + Numpy）：

import pandas as pd
import numpy as np
# 假设有每秒25帧的数据，包含：frame, player_id, x, y, speed, has_possession
df = pd.read_csv('tracking_data.csv')
df = df.sort_values(['player_id', 'frame'])
# 找到持球时刻
poss = df[df['has_possession'] == True].copy()
# 计算速度变化率（加速度）
poss['acceleration'] = poss['speed'].diff().fillna(0)
# 计算方向变化（角度差）
poss['angle'] = np.arctan2(poss['y'].diff(), poss['x'].diff())
poss['angle_diff'] = np.abs(poss['angle'].diff()).fillna(0)
# 定义“假动作”特征：加速度由负变正（先减速诱骗，再突然加速），且方向变化大
# 这是一个简单的阈值判断
feint_mask = (poss['acceleration'] > 2.0) & (poss['angle_diff'] > 1.5) # 阈值需根据数据频率调整
feints = poss[feint_mask]
# 还要确保这个动作发生在一对一对抗区域（例如距离最近防守人<2米）
# 这里需要你merge防守人坐标，过程省略...
print(f"检测到疑似假动作急停变速次数: {len(feints)}")

针对视频分析的OpenCV脚本（最硬核）

如果你想直接分析比赛视频,需要目标检测（YOLO）和姿态估计（MediaPipe）。

核心逻辑：

检测防守球员重心：通过姿态估计获取防守人髋部坐标。
检测进攻球员行为：如果进攻球员的膝盖/脚踝角度发生剧烈弯曲（重心降低）且移动速度突然减少30%以上，随后立刻向反方向冲刺，且防守人的重心位移速度没有跟上，则计为“晃过”。

关键提示： 这个脚本开发成本极高，通常需要几天时间调参，如果是个人兴趣，建议只跑上半身假动作（头部和肩部的晃动），忽略腿部细节：

# 伪代码示例（依赖cv2 + mediapipe）
import cv2
import mediapipe as mp
def detect_fake(frame):
    # 1. 获取球员骨骼点
    results = pose.process(frame)
    if results.pose_landmarks:
        # 获取肩膀中心坐标
        shoulder_x = ...
        # 检测肩部在X轴上的突然位移（左右晃动）
        # 如果晃动频率高但脚部位置不多，且球还在脚下，则为“假动作”
        pass

总结建议

如果你是数据分析师：使用 方案一（基于事件流数据）最快捷、最准确，数据商（Wyscout/StatsBomb已帮你标好）。
如果你是教练或战术爱好者：手动记录最靠谱，推荐使用类似 LongoMatch 或 SportsCode 的软件，点击按钮“假动作”并打上“成功”标签，脚本自动输出统计报表。
如果你搞科研：使用 方案二，但要确保追踪数据的帧率足够高（至少25Hz）。

如果需要针对某一份具体数据文件写出可运行的代码,可以把数据结构发给我，我帮你定制。