Python射门位置分布图实战：从数据可视化到战术洞察（附完整代码）
目录导读
- 引言：为什么足球分析需要“射门位置图”？
- 数据准备：从哪获取射门数据？字段如何清洗？
- 核心代码：用Matplotlib+Seaborn绘制射门热力图与散点图
- 结果解读：如何从图表中读出球队进攻风格与球员热点区域？
- 进阶分析：结合射门结果（进球/射正/射偏）进行多维度可视化
- 常见问题FAQ（Q&A）：坐标转换、样本量不足、图例优化等
- 该案例的局限性与未来扩展方向（xG模型融合）
引言：为什么足球分析需要“射门位置分布图”？
在现代足球分析中,射门位置分布图早已不是简单的“点图”，它能够直观揭示球队的进攻倾向（如是否依赖远射、是否擅长边路渗透）、球员个人习惯（如某前锋的“热区”是否集中在点球点附近），甚至能辅助教练制定防守策略，本文通过一个完整的Python案例，演示如何从原始事件数据中提取射门坐标，并绘制出符合专业论文级别的分布图。关键问题是：这个Python案例是否真正分析到位？ 我们将从数据清洗、坐标映射、可视化迭代三个层面深度拆解。
数据准备：从哪获取射门数据？字段如何清洗？
数据源建议：
- 公开API：
StatsBomb（免费开放部分赛事）、Understat（含xG值） - 爬虫方案：解析FlashScore或SofaScore的JSON接口（需注意robots.txt规范）
核心字段：
| 字段名 | 类型 | 说明 |
|--------|------|------|
| x | float | 射门点横坐标（0-100，从底线到中线） |
| y | float | 射门点纵坐标（0-100，从左侧边线到右侧） |
| result | string | 进球/射正/射偏/被扑 |
清洗关键点：
- 坐标标准化：绝大多数数据源采用进攻方向从左到右的坐标（即射门方球门在右侧），若数据源方向相反，需用
x_new = 100 - x转换。 - 去除无效值：部分射门可能没有定位（如反击中被犯规），需过滤
x IS NULL。 - 降噪处理：若坐标精度不超过1米，可考虑四舍五入到整数网格，避免热力图过于细碎。
# 示例：数据清洗
import pandas as pd
df = pd.read_csv('shots.csv')
df = df.dropna(subset=['x', 'y'])
# 假设数据为“防守方视角”，转换为进攻方视角
df['x_adj'] = 100 - df['x'] if df['x'].mean() > 50 else df['x']
核心代码：用Matplotlib+Seaborn绘制射门热力图与散点图
1 绘制足球场底图（关键步骤）
使用mplsoccer库（专门用于足球可视化）能省去大量画线代码，但若需纯手写，可仿照下方逻辑：
import matplotlib.pyplot as plt
from matplotlib.patches import Arc, Rectangle, Circle
def draw_pitch(ax):
# 画边界
ax.add_patch(Rectangle((0, 0), 100, 100, fill=False))
# 中圈
ax.add_patch(Circle((50, 50), 9.15, fill=False))
# 罚球区
ax.add_patch(Rectangle((0, 21.5), 16.5, 57, fill=False))
# 球门
ax.add_patch(Rectangle((-2, 45), 2, 10, fill=False, color='black'))
# 点球点
ax.scatter([11], [50], color='black', s=20)
# 弧顶
ax.add_patch(Arc((16.5, 50), 18.3, 18.3, angle=0, theta1=45, theta2=135))
# 调整坐标轴
ax.set_xlim(-5, 105)
ax.set_ylim(-5, 105)
ax.set_aspect('equal')
ax.axis('off')
2 叠加射门散点图
fig, ax = plt.subplots(figsize=(8, 6))
draw_pitch(ax)
# 区分射门结果颜色
colors = {'Goal': 'green', 'On Target': 'blue', 'Off Target': 'red', 'Blocked': 'gray'}
for result, group in df.groupby('result'):
ax.scatter(group['x_adj'], group['y'], s=50, color=colors.get(result, 'black'),
alpha=0.7, label=result, edgecolors='white', linewidth=0.5)
ax.legend(loc='upper right')'射门位置分布（散点）')
3 热力图（KDE密度）
import seaborn as sns
# 注意：seaborn的kdeplot需要调整坐标轴以适应足球场
kde = sns.kdeplot(x=df['x_adj'], y=df['y'], ax=ax, fill=True,
cmap='Reds', alpha=0.6, levels=20, thresh=0.1)
重要：若热力图覆盖了球场线，请调整KDE图层顺序（先画热力图再画球场线），或将热力图透明度下调至0.4。
结果解读：如何从图表中读出球队进攻风格？
假设我们得到以下视觉特征：
- 点球点附近密集红区 → 球队擅长创造中路短传渗透机会，或拥有抢点型前锋。
- 大禁区角两侧高亮 → 习惯边路下底倒三角或内切远射（如罗本区域）。
- 远射散落且颜色深 → 面对密集防守时缺乏耐心，或中场球员远射能力突出。
量化辅助：可计算射门点的期望x坐标均值（如df['x_adj'].mean()），若均值大于80，说明射门普遍来自极近距离，进攻效率高。
进阶分析：结合射门结果的多维度可视化
单一散点图信息量有限,我们可以用分面图（FacetGrid） 分别展示进球、射偏、被扑的坐标分布：
g = sns.FacetGrid(df, col='result', height=4, col_wrap=3) g.map(plt.scatter, 'x_adj', 'y', alpha=0.5) # 但需在每个子图也画上场地图，可自定义函数
或者使用气泡图：气泡大小代表该网格内射门次数，颜色代表进球率（xG转化率）。
# 网格化统计 grid = df.groupby([pd.cut(df['x_adj'], bins=10), pd.cut(df['y'], bins=10)]).size()
常见问题FAQ（Q&A）
Q1：为什么我的射门点全部集中在右侧？
A：因为你没做坐标标准化，检查x均值是否大于50，若大于则用100 - x反转。最稳妥的方法：观察你的数据源声明，如StatsBomb规定x始终为进攻方向。
Q2：样本量很少（比如少于30次射门），热力图会失真吗？
A：是的，建议此时仅用散点图，或提高KDE的bw_method参数（如bw_method=1.5）来平滑。
Q3：如何将射门图与全场事件图（传球、跑位）结合？ A：可以绘制同一底图后，用不同颜色和透明度叠加，但需控制信息量，避免重叠严重。
Q4：有没有更专业的足球分析库？
A：推荐mplsoccer（底层是Matplotlib）、pyris（用于模拟），以及statsbombpy（直接拉取SB数据），本例中手绘球场是为了教学展示。
该案例的局限性与未来扩展方向
本案例的局限性：
- 缺乏空间聚合：未区分主客场、对手强弱对射门选择的影响。
- 忽略时序性：没有展现比赛不同阶段（如领先/落后）的射门分布变化。
升级方向：
- 引入xG模型：将热力图改为“射门威胁值”而非单纯次数，结合射门角度和距离计算进球概率。
- 动态可视化：使用
matplotlib.animation随时间变化展示射门点流动，或导出为GIF嵌入比赛报告。 - 聚类分析：用K-Means对射门坐标聚类，识别出“球队A的射门通常来自三个固定区域”。
最终回答“这个案例是否分析到位？” —— 如果仅用于初步战术板展示，该案例已经足够；但若用于深度球探报告，需要整合更多上下文数据，建议读者在掌握基础代码后，进一步接入xG、球员ID等维度，将静态图转化为决策支持工具。
（全文完）
