本文目录导读：
- 方案一：基于技术统计的“风格雷达图”（适合有数据，比如从FBref、WhoScored爬取或下载）
- 方案二：基于比赛事件数据的“AI识别战术”（适合懂爬虫的朋友）
- 如果你想要“简化版”的代码直接跑（纯Python逻辑，无需外部数据）
- 我的具体建议：
这个问题挺有意思的！如果你想用Python来分析“看好的球队擅长什么打法”，通常不是简单地看一个案例，而是需要一套数据驱动的分析流程。
我猜你可能想要的是具体的代码案例，或者分析思路，下面我为你提供两种最实用的Python实战方案，你可以根据自己的情况选择：
基于技术统计的“风格雷达图”（适合有数据，比如从FBref、WhoScored爬取或下载）
这种方案最直观,通过对比球队的关键数据指标（控球率、抢断、传球成功率、射门次数等）来判定风格。
核心逻辑：将数据标准化后，通过聚类或评分来判断球队属于“传控型”、“防反型”还是“高举高打型”。
案例代码（简化版）：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
# 1. 假设这是你收集的球队数据（可以从CSV读取）
data = {
'球队': ['曼城', '皇家马德里', '利物浦', '马竞', '国际米兰'],
'控球率': [62.3, 58.1, 54.6, 47.8, 52.1],
'场均传球': [650, 580, 520, 400, 510],
'高位压迫(PPDA)': [8.5, 9.8, 6.2, 12.5, 9.0], # 数值越小压迫越靠前
'场均抢断': [15.2, 16.5, 19.8, 22.1, 17.3],
'长传占比': [15, 18, 22, 35, 20] # 百分比
}
df = pd.DataFrame(data).set_index('球队')
# 2. 数据标准化（因为量纲不同）
scaler = MinMaxScaler()
df_scaled = pd.DataFrame(scaler.fit_transform(df), index=df.index, columns=df.columns)
# 3. 简易风格判定逻辑（基于业务常识）
def 判断风格(row):
if row['控球率'] > 0.7 and row['高位压迫'] > 0.6 and row['长传占比'] < 0.3:
return '高位传控'
elif row['抢断'] > 0.7 and row['控球率'] < 0.4:
return '低位防反'
elif row['长传占比'] > 0.7:
return '长传冲吊'
else:
return '均衡/中场控制'
df['风格标签'] = df_scaled.apply(判断风格, axis=1)
print(df[['风格标签']])
# 4. 画雷达图（以曼城为例）
import plotly.graph_objects as go
# ... 此处省略雷达图代码，通常你会把曼城的指标画成五边形对比联赛平均值
实战输出：系统会根据数据自动给曼城贴上“高位传控”的标签，给马竞贴上“低位防反”的标签。
基于比赛事件数据的“AI识别战术”（适合懂爬虫的朋友）
这是目前国外数据公司（如Opta）的高级玩法。
核心逻辑：爬取一个个具体的传球序列（Pass Sequences）或射门前的传球链（Build-up）。
代码思路：
- 获取数据：用
requests从StatsBomb等开放API（有免费开放数据，比如2022世界杯）获取JSON数据。 - 特征工程：
- 提取每次进攻的触球次数（多=传控，少=快速反击）。
- 提取进攻推进的速度（极速=反击，缓慢=阵地战）。
- 提取传球的方向（向前传球多=直击要害，横向传球多=控制节奏）。
- 模型预测：
- 用 K-Means聚类算法（sklearn库）将这些进攻片段自动聚成“快速反击”、“边路传中”、“中路渗透”等几类。
- 统计哪一类占球队总进攻比例最高,即为该球队的“招牌打法”。
如果你想要“简化版”的代码直接跑（纯Python逻辑，无需外部数据）
这里给出一个可直接运行的小案例，通过预设的“特征值”来打分。
def 球队打法分析(球队特点字典):
"""
球队特点字典需包含：
possession(控球率), pressure(高压强度), speed(反击速度), width(利用边路程度)
"""
scores = {
'传控打法': 球队特点字典['控球率'] * 0.8 + 球队特点字典['利用边路'] * 0.2,
'防反打法': 球队特点字典['反击速度'] * 0.9 + (100 - 球队特点字典['控球率']) * 0.1,
'高位逼抢': 球队特点字典['高压强度'] * 0.7 + 球队特点字典['控球率'] * 0.3
}
return max(scores, key=scores.get)
# 案例：曼城（高控球、高压迫、中速度）
曼城 = {'控球率': 88, '高压强度': 90, '反击速度': 70, '利用边路': 60}
# 案例：利物浦（中控球、极高压、极快）
利物浦 = {'控球率': 55, '高压强度': 95, '反击速度': 95, '利用边路': 85}
print("曼城擅长:", 球队打法分析(曼城))
print("利物浦擅长:", 球队打法分析(利物浦))
我的具体建议：
- 纯学习用途：直接用方案二的“简化版”，了解逻辑。
- 实战分析：建议去 StatsBomb 官网找免费的开放数据（GitHub有打包好的json），用Pandas提取“传球链”，然后做聚类分析——这是目前最标准化且能在论文或项目中拿得出手的代码。
如果你有具体的球队名字（比如利物浦）或具体的数据文件（Excel/CSV），你可以发给我，我可以帮你写出针对性的分析代码，你想要哪种风格的案例？
