python案例对这次后场长传精准度如何评价？

wen python案例 2026-08-08 1

本文目录导读：

案例代码实现
如果你有真实数据（如 StatsBomb）如何处理？

这是一个非常有趣且具体的问题！要评价“后场长传精准度”，仅仅用“好”或“差”是不够的，因为足球比赛中的长传分为多种类型（转移、发动反击、找高点），且防守压力不同。

这里我为你提供一个 Python 足球数据分析案例，我们将通过模拟数据（或假设你有StatsBomb/StatsPerform的追踪数据）来计算并评价长传精准度的核心指标。

我们将从以下几个维度进行评价：

基础命中率：成功传给队友的次数 / 总尝试次数。
区域推进能力：传球是否越过了中场线，进入到进攻三区。
压力下的表现：区分有无防守压力下的传球成功率。
预期助攻（xA）增量：这次长传是否创造了得分机会（价值评价）。

案例代码实现

我们将使用 pandas 和 matplotlib 来描述这个评价逻辑。

模拟数据设定

为了做演示,我们假设一名后腰球员（如罗德里或克罗斯风格）在一场比赛中有如下长传数据：

x / y：起始坐标（半场）。
end_x / end_y：结束坐标。
under_pressure：是否在压力下。
outcome：结果（success, incomplete, assist）。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者你电脑的中文字体
plt.rcParams['axes.unicode_minus'] = False
# 模拟生成的传球数据
np.random.seed(42)
n_passes = 30
# 生成模拟数据 (数据点为比赛中的实际坐标)
data = {
    'pass_id': range(1, n_passes + 1),
    'x_start': np.random.uniform(30, 50, n_passes),          # 己方半场
    'y_start': np.random.uniform(20, 60, n_passes),
    'x_end': np.random.uniform(60, 100, n_passes),           # 目标在前场
    'y_end': np.random.uniform(10, 90, n_passes),
    'under_pressure': np.random.choice([True, False], n_passes, p=[0.4, 0.6]),
    'outcome': np.random.choice(['success', 'incomplete'], n_passes, p=[0.65, 0.35])
}
df = pd.DataFrame(data)
# 手动添加2次“助攻”和1次“关键传球”以丰富分析
df.loc[df['pass_id'] == 5, 'outcome'] = 'assist'
df.loc[df['pass_id'] == 15, 'outcome'] = 'key_pass'
df.loc[df['pass_id'] == 22, 'outcome'] = 'success'  # 改为成功
# 计算传球距离（欧氏距离）
df['distance'] = np.sqrt((df['x_end'] - df['x_start'])**2 + (df['y_end'] - df['y_start'])**2)
# 判断是否进入进攻三区 (假设进攻三区为 x > 80)
df['into_final_third'] = df['x_end'] > 80
# 判断是否为长传 (距离 > 30米)
df['is_long'] = df['distance'] > 30
# 清理数据：只保留长传进行分析
long_balls = df[df['is_long']]
print("长传尝试次数:", len(long_balls))

核心评价指标计算

# 定义成功率 (成功包含助攻和关键传球)
def is_successful(row):
    if row['outcome'] in ['success', 'assist', 'key_pass']:
        return 1
    else:
        return 0
long_balls['success_flag'] = long_balls.apply(is_successful, axis=1)
# 总成功率
overall_accuracy = long_balls['success_flag'].mean() * 100
print(f"🎯 后场长传总成功率: {overall_accuracy:.1f}%")
# 按压力情况分组
pressure_group = long_balls.groupby('under_pressure')['success_flag'].agg(['sum', 'count'])
pressure_group['accuracy'] = (pressure_group['sum'] / pressure_group['count']) * 100
print("\n💪 压力分组表现:")
print(pressure_group[['accuracy']].rename(columns={'accuracy': '成功率(%)'}))
# 进攻三区传球命中率
final_third_group = long_balls.groupby('into_final_third')['success_flag'].agg(['sum','count'])
final_third_group['accuracy'] = (final_third_group['sum'] / final_third_group['count']) * 100
print("\n🏟️ 目标区域分组表现:")
print(final_third_group[['accuracy']].rename(columns={'accuracy': '成功率(%)'}))
# 长传进攻威胁度 (xA 简化版)
# 假设进入进攻三区 + 成功 = 威胁
threat_passes = long_balls[(long_balls['into_final_third'] == True) & (long_balls['success_flag'] == 1)]
print(f"\n⚡ 本次比赛中，通过长传直接进入进攻三区且未丢失球权的次数: {len(threat_passes)} 次")

可视化展示

# 创建可视化
fig, axes = plt.subplots(1, 3, figsize=(15, 4.5))
# 图1: 压力下成功率柱状图
pressure_acc = pressure_group['accuracy']
axes[0].bar(pressure_acc.index.astype(str), pressure_acc.values, color=['#d9534f', '#5cb85c'])
axes[0].set_title('不同压力下的长传成功率')
axes[0].set_ylabel('成功率 (%)')
axes[0].set_xlabel('是否有压力')
axes[0].set_xticklabels(['受压迫', '无压力'])
for i, v in enumerate(pressure_acc.values):
    axes[0].text(i, v+1, f"{v:.1f}%", ha='center')
# 图2: 传球距离与成功率散点图
scatter = axes[1].scatter(long_balls['distance'], long_balls['success_flag'],
                          c=long_balls['under_pressure'], cmap='coolwarm', alpha=0.7)
axes[1].set_title('传球距离 vs 成功与否')
axes[1].set_xlabel('传球距离 (米)')
axes[1].set_yticks([0, 1])
axes[1].set_yticklabels(['失败', '成功'])
axes[1].axhline(y=0.5, color='gray', linestyle='--', linewidth=0.5)
plt.colorbar(scatter, ax=axes[1], label='压力状态')
# 图3: 饼图显示整体长传效果分布
outcome_counts = long_balls['outcome'].value_counts()
axes[2].pie(outcome_counts.values, labels=outcome_counts.index, autopct='%1.1f%%',
            colors=['#5cb85c', '#f0ad4e', '#d9534f'])
axes[2].set_title('长传结果分布')
plt.tight_layout()
plt.show()

最终评价结论（AIV视角）

基于上述量化数据,我们可以这样评价这位球员的后场长传精准度：

基础评价：如果总成功率在 60%-75%，属于优秀的后场组织核心水平（因为后场长传大多是高风险的“直塞”或“转移”）。
压力因子：受压迫时成功率 与 无压力时成功率 差距小于10%，说明其技术动作非常扎实，心理素质极佳。
战术价值：长传推进（进入进攻三区）的成功次数与总尝试次数之比（推进成功率）若大于50%，则不仅“准”，毒”。
关键点：如果长传产生了助攻，无论成功率多低（假设有一次助攻），这脚传球就具备改变比赛的能力，评价需提到“具有极强的创造性”。

如果你有真实数据（如 StatsBomb）如何处理？

如果数据集包含 pass 事件和 xG 数据，评价标准可以升级为：

计算 Post-Shot Expected Goals (PSxG) 贡献。
使用 Expected Threat (xT) 模型，计算这次长传将球从一个“低威胁”区域移动到了“高威胁”区域。

代码示例（伪代码）：

# 假设已经拥有 xT 表
df['xT_start'] = df.apply(lambda row: xt_table[row['start_x']][row['start_y']], axis=1)
df['xT_end'] = df.apply(lambda row: xt_table[row['end_x']][row['end_y']], axis=1)
df['xT_increment'] = df['xT_end'] - df['xT_start']
# 评价精准度时，不仅仅看是否传到队友脚下，还要看是否传递到了”有价值“的脚下了。

Python 案例的核心逻辑：

精准度 = 成功率（基础要求）。
精准度 = 抗压能力（高端检验）。
精准度 = 进攻威胁（价值体现）。

如果你想针对特定的联赛或球员（比如英超后腰）进行分析，只需要传入对应的 x,y 坐标和事件数据即可，这种分析在足球数据公司（如 Opta 或 21st Club）是常用手段。