本文目录导读：
这是一个非常专业且具有前瞻性的足球数据分析问题,传统的防守数据（如抢断、拦截）只能衡量个人能力，而“后防默契度”衡量的是防线作为整体在空间、时间和行动上的协同性。
要量化这种“默契”，不能只看单一指标，需要通过空间位置追踪和事件时序来构建脚本。
以下是一套由浅入深、可直接落地的Python脚本分析框架，分为三个层级，你可以根据手头数据的精细度选择。
第一层级：基于事件数据（最易获取，适合普通玩家）
如果只有传球、抢断、失球等基础事件数据，核心逻辑是分析“防守联动频率”和“补位效率”。
脚本核心逻辑：
- 识别“防守三区”协同事件：统计在球队本方后场30米区域内，2秒内连续发生“抢断+解围”或“拦截+封堵”的组合次数。
- 计算防线间距变化率：通过广播和回放数据，估算中后卫与边后卫在防守时的平均距离，如果距离标准差极小，说明“造越位”战术执行默契。
实用脚本（Python伪代码/逻辑）：
import pandas as pd
import numpy as np
def defensive_sync_score(events_df):
"""
events_df 需要包含列: ['team', 'type', 'x', 'y', 'time', 'player_id']
"""
team_stats = {}
for team in ['Team_A', 'Team_B']:
team_events = events_df[events_df['team'] == team].sort_values('time')
# 1. 计算“背靠背”防守组合（A传中被B封堵，2秒内C完成解围）
pressure_combos = 0
for i in range(1, len(team_events)):
prev = team_events.iloc[i-1]
curr = team_events.iloc[i]
# 如果上一个事件是防守动作，当前动作依然是防守动作，且时间差 < 2秒
if (prev['type'] in ['interception', 'tackle'] and
curr['type'] in ['clearance', 'block'] and
curr['time'] - prev['time'] < 2.0):
# 且发生在本方后场 (x < 40，假设x轴为本方球门)
if curr['x'] < 40:
pressure_combos += 1
# 2. 计算不同后卫传球给门将的次数（回传默契度）
back_passes = team_events[
(team_events['type'] == 'pass') &
(team_events['type2'] == 'goalkeeper') &
(team_events['x'] < 35)
].shape[0]
# 综合评分（权重可调整）
# 组合防守多说明协防好，回传多说明后场控球稳（但也可能保守）
team_stats[team] = pressure_combos * 0.7 + min(back_passes, 10) * 0.3
# 返回两队差值，差值越小，说明两队默契度越接近；绝对值越大，说明两队风格迥异
return team_stats
局限： 无法捕捉“无球跑动”的默契，只反映结果。
第二层级：基于日志/时空序列（进阶，适合有API接口）
如果数据有x, y坐标实时坐标，可以通过数学建模防守阵型的“刚性”。
核心公式： 防线线性可预测性（Defensive Line Predictability, DLP）
- 步骤： 对防守方的4-5名后卫的
(x, y)坐标做线性回归。 - 逻辑： 如果这5个点排成一条直线（R²接近1），说明防线极其统一，造越位熟练；如果R²很低，说明有人拖后，有人前顶，默契度差。
脚本核心代码（Python示例）：
import numpy as np
from scipy import stats
def check_line_compactness(frame_data):
"""
frame_data: 包含某一帧中，某队后防四人（或五人）的坐标。
返回: 该防线的平直程度分数（1为绝对一条线，0为散乱）
"""
# 假设这是左后卫(LB), 左中卫(CB1), 右中卫(CB2), 右后卫(RB)
x = [frame_data['LB_x'], frame_data['CB1_x'], frame_data['CB2_x'], frame_data['RB_x']]
y = [frame_data['LB_y'], frame_data['CB1_y'], frame_data['CB2_y'], frame_data['RB_y']]
# 线性回归：用x拟合y
slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
# r_value**2 越接近1，说明越接近一条直线
return r_value**2
# 实战应用：提取比赛全场所有防守帧，求平均值和方差
# 方差小 = 无论攻防转换，防线时刻保持一致 = 默契度极高！
第三层级：高阶可视化分析（“防线影子”图）
这个脚本用于生成静态热图，但重点在于绘制防守球员移动路径的“平行度”。
目的： 衡量两名中后卫在比赛中的同步移动程度。
脚本逻辑（绘制轨迹相似度）：
- 提取中卫A和中卫B在整个比赛中的轨迹点。
- 计算两者轨迹的动态时间规整（DTW） 距离。
- 如果DTW距离很小,说明两人几乎一起移动，一人上抢，另一人必然同步移动保护——默契度极高。
# 伪代码示例（使用fastdtw库）
from fastdtw import fastdtw
from scipy.spatial.distance import euclidean
def center_back_sync(trajectory_1, trajectory_2):
distance, path = fastdtw(trajectory_1, trajectory_2, dist=euclidean)
# distance越小，同步性越高
return distance
# trajectory_1 和 trajectory_2 是 [([x,y],时间), ...] 的序列
给你的实用建议
如果你想要一个快速能用的脚本，建议按照以下步骤打包：
| 数据源 | 核心指标 | 脚本输出 |
|---|---|---|
| 录像回放码表 | 成功造越位次数 门将与后卫的回传次数 后卫解围后，立刻由另一后卫完成二次封堵的次数 |
输出两个百分比：A队协同率 vs B队协同率 |
| 高级追踪数据 | 防线四人的平均高度差（Offside line variance） | 输出标准差数值，数值越小，防线越像一个整体 |
推荐你直接先做“第二层级”：
即搜集两队各一场比赛约100帧的有效防守截图坐标，跑一遍linregress，那个R²值极其直观——如果A队防线R²=0.9，B队防线R²=0.6，直接就可以得出结论：B队后防配合有明显漏洞，A队后防更训练有素。
