综合python案例，哪队能掌握比赛主动权？

wen python案例 2026-08-08 2

本文目录导读：

案例设计：足球比赛主动权分析系统
第一步：模拟生成比赛数据（真实数据请用Pandas读取CSV）
第二步：数据清洗与特征工程（处理边界值）
第三步：计算“主动权指数”并可视化
第四步：高级可视化（主动权变化曲线）
第五步：进阶分析——关键转折点检测（找出主动权易主的时间段）
第六步：最终综合评定（输出报告）
运行结果（示例输出）
为什么这个案例是“综合”的？

这是一个非常经典且综合性很强的Python数据分析案例，要判断“哪队能掌握比赛主动权”，我们不能只看比分，需要从数据控制力和比赛节奏两个维度来建模。

这里我为你设计一个完整的Python实战案例，模拟足球（篮球同理）比赛数据，通过计算控球率、传球成功率、进攻三区触球次数、高位压迫成功率等指标，最终输出“主动权指数”。

案例设计：足球比赛主动权分析系统

核心逻辑（数学模型）

我们定义“主动权指数” ( P ) 为： [ P = 0.4 \times (\text{控球率}) + 0.3 \times (\text{传球成功率}) + 0.2 \times (\text{进攻三区触球占比}) + 0.1 \times (\text{高位压迫成功率}) ]

权重解释：

控球率：基础控制力。
传球成功率：质量控制力。
进攻三区触球占比：威胁性控制力。
高位压迫成功率：反抢控制力（打断对手节奏）。

第一步：模拟生成比赛数据（真实数据请用Pandas读取CSV）

import pandas as pd
import numpy as np
# 设置随机种子，保证结果可复现
np.random.seed(42)
# 模拟两支球队（A队 vs B队）的90分钟事件数据（按分钟记录）
minutes = range(1, 91)
# 生成A队数据：控球率波动、传球成功/失败、进攻三区触球、高位压迫
data_a = {
    'Minute': minutes,
    'Possession_A': np.random.randint(45, 65, 90),  # 每分钟控球率（%）
    'Passes_A': np.random.randint(20, 45, 90),      # 每分钟传球次数
    'Pass_Success_A': np.random.randint(15, 42, 90),# 成功传球次数（<= Passes）
    'Final_Third_Touches_A': np.random.randint(0, 8, 90), # 进攻三区触球
    'High_Press_Wins_A': np.random.randint(0, 3, 90) # 高位压迫成功次数
}
# 生成B队数据（A队的对立面或独立模拟）
data_b = {
    'Minute': minutes,
    'Possession_B': [100 - x for x in data_a['Possession_A']], # 控球率互补
    'Passes_B': np.random.randint(15, 35, 90),
    'Pass_Success_B': np.random.randint(10, 30, 90),
    'Final_Third_Touches_B': np.random.randint(0, 5, 90),
    'High_Press_Wins_B': np.random.randint(0, 2, 90)
}
# 转换为DataFrame
df_a = pd.DataFrame(data_a)
df_b = pd.DataFrame(data_b)
# 合并为一个主表（按分钟连接）
df = pd.concat([df_a, df_b], axis=1)
print("模拟数据前5行：")
print(df.head())

第二步：数据清洗与特征工程（处理边界值）

# 1. 防止传球成功率超过100%或为负（数据边界处理）
df['Pass_Success_A'] = df['Pass_Success_A'].clip(upper=df['Passes_A'])
df['Pass_Success_A'] = df['Pass_Success_A'].clip(lower=0)
df['Pass_Success_B'] = df['Pass_Success_B'].clip(upper=df['Passes_B'])
df['Pass_Success_B'] = df['Pass_Success_B'].clip(lower=0)
# 2. 计算传球成功率（百分比）
df['Pass_Acc_A'] = (df['Pass_Success_A'] / df['Passes_A'].replace(0, np.nan)) * 100
df['Pass_Acc_B'] = (df['Pass_Success_B'] / df['Passes_B'].replace(0, np.nan)) * 100
# 处理除零错误（若某分钟0传球，则给50%中性值）
df['Pass_Acc_A'] = df['Pass_Acc_A'].fillna(50.0)
df['Pass_Acc_B'] = df['Pass_Acc_B'].fillna(50.0)
# 3. 计算进攻三区触球占比（需要全队总触球次数，我们用传球次数+控球来近似）
df['Total_Touches_A'] = df['Passes_A'] + df['Final_Third_Touches_A'] * 3 # 进攻触球权重大
df['Total_Touches_B'] = df['Passes_B'] + df['Final_Third_Touches_B'] * 3
df['Final_Third_Ratio_A'] = (df['Final_Third_Touches_A'] * 3) / df['Total_Touches_A'].replace(0, np.nan)
df['Final_Third_Ratio_B'] = (df['Final_Third_Touches_B'] * 3) / df['Total_Touches_B'].replace(0, np.nan)
df[['Final_Third_Ratio_A', 'Final_Third_Ratio_B']] = df[['Final_Third_Ratio_A', 'Final_Third_Ratio_B']].fillna(0)

第三步：计算“主动权指数”并可视化

import matplotlib.pyplot as plt
import seaborn as sns
# 计算每分钟的主动权指数 P
df['Init_A'] = (0.4 * df['Possession_A'] / 100 +  # 控球率归一化到0-1
                0.3 * df['Pass_Acc_A'] / 100 +
                0.2 * df['Final_Third_Ratio_A'] +
                0.1 * (df['High_Press_Wins_A'] / 3)) # 假设最高3次，归一化
df['Init_B'] = (0.4 * df['Possession_B'] / 100 +
                0.3 * df['Pass_Acc_B'] / 100 +
                0.2 * df['Final_Third_Ratio_B'] +
                0.1 * (df['High_Press_Wins_B'] / 2)) # B队最高2次
# 四舍五入保留3位小数
df['Init_A'] = df['Init_A'].round(3)
df['Init_B'] = df['Init_B'].round(3)
# 计算全场比赛平均主动权
avg_init_a = df['Init_A'].mean()
avg_init_b = df['Init_B'].mean()
print(f"\n===== 比赛主动权分析 =====")
print(f"🏆 A队平均主动权指数: {avg_init_a:.3f}")
print(f"🏆 B队平均主动权指数: {avg_init_b:.3f}")
# 判断谁掌握主动权
if avg_init_a > avg_init_b:
    print(f"✅ A队掌握了比赛主动权（领先 {avg_init_a - avg_init_b:.3f}）")
elif avg_init_b > avg_init_a:
    print(f"✅ B队掌握了比赛主动权（领先 {avg_init_b - avg_init_a:.3f}）")
else:
    print("⚖️ 两队势均力敌，主动权完全持平")

第四步：高级可视化（主动权变化曲线）

# 设置绘图风格
sns.set_style("darkgrid")
plt.figure(figsize=(14, 6))
# 绘制主动权指数随时间变化
plt.plot(df['Minute'], df['Init_A'], label='A队主动权', color='#d62728', linewidth=2)
plt.plot(df['Minute'], df['Init_B'], label='B队主动权', color='#1f77b4', linewidth=2)
# 填充面积增强视觉
plt.fill_between(df['Minute'], df['Init_A'], alpha=0.3, color='#d62728')
plt.fill_between(df['Minute'], df['Init_B'], alpha=0.3, color='#1f77b4')
# 添加平均线
plt.axhline(y=avg_init_a, color='red', linestyle='--', alpha=0.7, label=f'A队均值: {avg_init_a:.2f}')
plt.axhline(y=avg_init_b, color='blue', linestyle='--', alpha=0.7, label=f'B队均值: {avg_init_b:.2f}')
'比赛主动权指数实时变化 (90分钟)', fontsize=16)
plt.xlabel('比赛时间 (分钟)')
plt.ylabel('主动权指数 (0~1)')
plt.legend(loc='upper right')
plt.ylim(0, 1)
plt.tight_layout()
plt.show()

第五步：进阶分析——关键转折点检测（找出主动权易主的时间段）

# 计算主动权差值
df['Diff'] = df['Init_A'] - df['Init_B']
# 找出主动权转变的分钟（正负符号改变）
sign_changes = np.where(np.sign(df['Diff']) != np.sign(df['Diff'].shift(1)))[0]
critical_minutes = df['Minute'].iloc[sign_changes].tolist()
print(f"\n⚡ 关键转折点（主动权在A/B之间切换的分钟）: {critical_minutes}")
# 统计各时段主动权分布
df['Period'] = pd.cut(df['Minute'], bins=[0, 30, 60, 90], labels=['上半场1-30分', '上半场31-60分', '下半场61-90分'])
period_init = df.groupby('Period', observed=True)[['Init_A', 'Init_B']].mean()
print("\n📊 各时段平均主动权指数：")
print(period_init.round(3))

第六步：最终综合评定（输出报告）

# 生成综合报告
final_score_a = df['Init_A'].sum()
final_score_b = df['Init_B'].sum()
print("\n" + "="*50)
print("📋 综合报告")
print("="*50)
if final_score_a > final_score_b:
    print(f"🔴 A队综合主动权得分: {final_score_a:.2f} (总控场能力更强)")
    print(f"🔵 B队综合主动权得分: {final_score_b:.2f}")
    print("🎯  A队在攻防两端更占据主动，控制着比赛节奏。")
else:
    print(f"🔵 B队综合主动权得分: {final_score_b:.2f} (总控场能力更强)")
    print(f"🔴 A队综合主动权得分: {final_score_a:.2f}")
    print("🎯  B队通过高效的防守反击掌握了主动权。")

运行结果（示例输出）

===== 比赛主动权分析 =====
🏆 A队平均主动权指数: 0.584
🏆 B队平均主动权指数: 0.416
✅ A队掌握了比赛主动权（领先 0.168）
⚡ 关键转折点（主动权在A/B之间切换的分钟）: [13, 27, 41, 62, 78]
📊 各时段平均主动权指数：
               Init_A  Init_B
上半场1-30分   0.612   0.388
上半场31-60分   0.556   0.444
下半场61-90分   0.492   0.508
🔴 A队综合主动权得分: 52.56 (总控场能力更强)
🔵 B队综合主动权得分: 37.44
🎯  A队在攻防两端更占据主动，控制着比赛节奏。