开源项目统计禁区内射门次数对比？

wen 开源项目 2026-08-15 4

本文目录导读：

开源项目统计禁区内射门次数对比？

核心逻辑定义
Python 代码示例（使用 mplsoccer 和 pandas）
更专业的开源库：kloppy
其他数据源对比（如 Wyscout）
可视化对比（进阶）
总结要点

这是一个在足球数据分析中非常经典且常见的需求,在开源项目中，“禁区” 通常被定义为 “罚球区”（Penalty Area），而 “射门” 则通常特指 “尝试射门”（Shots Attempts，包含被扑出、被挡出、射偏和进球）。

要在开源项目中统计并进行对比（通常是主队 vs 客队，或两支特定球队），逻辑通常分为 数据获取、事件过滤、空间计算 三个步骤。

以下是基于主流开源足球数据分析框架（如 StatsBombR、kloppy、SofaPy 或 mplsoccer 等 Python 库）的通用实现逻辑和方法说明：

核心逻辑定义

禁区范围：通常定义为球场坐标系中的矩形区域。
- 标准坐标（如 StatsBomb 数据，0-120 x 0-80）：
  - X轴：从底线起（通常是 102 到 120 之间，取决于进攻方向）。
  - Y轴：宽度范围通常是 18 码（约 16.5 米），在标准化坐标中通常是 18 到 62 之间（即禁区宽度 44 码的一部分，更精确的坐标需要换算）。
  - 简化判断法：大多数库内置了 pitch 对象，可以直接用 pitch. PenaltyArea 进行空间判断。
事件类型：Shot（射门）事件。
触球位置：射门事件记录中的 location（X，Y）坐标。

Python 代码示例（使用 mplsoccer 和 pandas）

以下是一个使用 mplsoccer 分析 StatsBomb 免费数据的示例，用于统计主队和客队的禁区内外射门次数。

import pandas as pd
from mplsoccer.pitch import Pitch
from mplsoccer.statsbomb import StatsBomb
# 1. 加载数据（以 StatsBomb 欧冠决赛为例）
sb = StatsBomb()
# 获取比赛ID：15946 (巴萨vs尤文)
events = sb.competition_and_match_id_to_df(competition_id=16, season_id=27, match_id=15946)
# 2. 筛选射门事件
shots = events[events['type'] == 'Shot'].copy()
# 3. 创建球场对象用于空间计算
pitch = Pitch(pitch_type='statsbomb', pitch_color='white', line_color='black')
# 4. 定义函数判断是否在禁区内
def is_penalty_area(row):
    # 获取射门坐标
    x = row['x']
    y = row['y']
    if pd.isna(x) or pd.isna(y):
        return False
    # 调用 mplsoccer 的几何判断方法
    # 注意：这里需要根据进攻方向标准化坐标，StatsBomb 数据通常已标准化为进攻方向朝右（x=120 是对方球门）
    # 判断矩形范围：x 坐标 102 到 120，y 坐标 18 到 62
    return (x >= 102) & (x <= 120) & (y >= 18) & (y <= 62)
# 更准确的判断（考虑进攻方向变化，使用 mplsoccer 的 find_geometric_shapes）：
# 但为了简洁，假设所有射门都在进攻半场（x>60），且方向已标准化
shots['in_area'] = shots.apply(lambda row: (row['x'] >= 102) & (row['y'] >= 18) & (row['y'] <= 62), axis=1)
# 5. 区分主客队
# 通常事件表里有 'team' 列
home_team = shots['team'].unique()[0] # 假设第一支是主队
away_team = shots['team'].unique()[1]
home_shots = shots[shots['team'] == home_team]
away_shots = shots[shots['team'] == away_team]
# 6. 统计对比
summary = pd.DataFrame({
    'Team': [home_team, away_team],
    'Total Shots': [len(home_shots), len(away_shots)],
    'Inside Box': [home_shots['in_area'].sum(), away_shots['in_area'].sum()],
    'Outside Box': [len(home_shots) - home_shots['in_area'].sum(), 
                    len(away_shots) - away_shots['in_area'].sum()]
})
print(summary)

更专业的开源库：`kloppy`

kloppy 是一个标准化的足球数据解析库，它支持多种数据源，并且集成了球场几何计算，可以非常方便地判断事件位置。

from kloppy import statsbomb, helpers
from kloppy.domain import Ground
# 加载数据
dataset = statsbomb.load(...)  # 加载你的数据
# 筛选事件
shots = dataset.events.filter('shot')
# 使用 kloppy 的 PitchDimensions 判断
# kloppy 有内置的 `is_in_penalty_area` 功能
home_team = dataset.metadata.teams[0]
away_team = dataset.metadata.teams[1]
stats = {}
for team in [home_team, away_team]:
    team_shots = shots.filter(team=team)
    in_box = 0
    out_box = 0
    for event in team_shots:
        # 获取球位置
        ball_x, ball_y = event.ball.coordinates
        # 调用几何库判断
        if helpers.is_in_penalty_area(ball_x, ball_y, direction='right'): # 方向根据数据源设定
            in_box += 1
        else:
            out_box += 1
    stats[team.name] = {'in': in_box, 'out': out_box}
print(stats)

其他数据源对比（如 Wyscout）

如果你使用的是 Wyscout 数据（通常通过 SofaPy 或自建爬虫），其坐标系与 StatsBomb 不同（X轴 0-100，Y轴 0-100），判断逻辑需要按比例换算：

Wyscout 禁区范围（进攻方向朝左或右）：
- X轴：小于 5（如果进攻方向朝左）或大于 5（如果朝右）。
- Y轴：5 到 5（因为 Wyscout 的 Y 轴是 0-100，18 码约等于 16.5 的单位）。

可视化对比（进阶）

如果不仅仅要统计数字,还要可视化展示射门位置，可以使用 mplsoccer 绘制分面图（Facet Grid）来对比禁区内外的分布：

# 可视化代码片段
fig, axes = pitch.grid(nrows=2, ncols=1, grid_height=0.8, endnote_height=0.03, title_height=0.08, axis=False)
# 主队
pitch.scatter(home_shots['x'], home_shots['y'], ax=axes['pitch'][0], c='blue', label='Home')
# 客队
pitch.scatter(away_shots['x'], away_shots['y'], ax=axes['pitch'][1], c='red', label='Away')
# 添加禁区线条
for ax in axes['pitch']:
    pitch.draw(ax=ax)
plt.show()

总结要点

核心：关键在于 “过滤条件”——射门事件 + 空间坐标判断。
标准差异：不同数据源的坐标系（StatsBomb 120x80，Wyscout 100x100）会影响禁区的坐标阈值。
常用工具：
- mplsoccer（可视化 + 简单的坐标判断）
- kloppy（标准化数据解析，自带空间几何判断，推荐用于严格的数据分析）
- pandas（数据处理与聚合）