开源项目统计挑球过人次数”这个问题，目前没有一个专门的开源项目是专门用来统计“挑球过人”这个单一动作的。
“挑球过人”在足球数据分析领域确实是被统计的，而且属于“过人次级分类”中的一种，如果你在网上搜索数据，通常会看到“彩虹过人”、“挑球过人”、“穿裆过人”等被归类为 “创意/高难度过人” 或 “技巧性过人”。
但如果你问的是开源代码项目,情况是这样的：
开源项目统计“挑球”的现状（非常少）
- 目前几乎没有专门统计“挑球”的开源项目，足球数据的开源项目（如
soccerdata、Statsbombpy、kloppy等）主要侧重于进球、助攻、传球、xG（预期进球）、跑动距离等宏观或中观数据。 - 原因在于“挑球”的标注成本太高：业余数据公司不会统计，专业数据公司（如 StatsBomb、Opta）虽然统计，但他们的数据通常不免费开放，且底层数据（视频标注）是封闭的，开源项目无法获取底层视频进行自动识别,因为自动识别挑球的AI模型需要大量人工标注视频来训练。
统计数据本身的结论（挑球过人的多寡）
如果你问的是专业足球数据公司统计的口径，挑球过人（尤其是“彩虹过人”）在职业比赛中次数非常少。
- 频率极低：在一场比赛中，全场球员完成“挑球过人”的次数通常为 0次到2次，相比普通的变向过人（一场可能几十次）,挑球是极其稀有的技术动作。
- 原因：挑球过人风险高（容易被判踢人犯规或球被截走）、成功率低、对场地和防守距离要求高，且容易激怒对手（有挑衅意味）,职业球员通常只会在比分领先或边路1v1时使用。
开源项目能统计什么？（替代方案）
如果你在使用开源数据（如 Wyscout 的公开样本数据或 StatsBomb 的免费公开数据）,你能统计的是：
- Dribbles（过人）：数据字段里有
take_ons（尝试过人）和take_on_won（过人成功）。 - 细分动作：部分数据源会区分 “变向过人”、“拉球”、“背身护球”，但没有单独的
lob（挑球）或rainbow（彩虹）字段。
如果你在GitHub上搜索，可能会找到一些基于摄像头动作识别的AI项目（如 football-action-recognition），但这类项目通常是学术研究用，识别的是“射门”、“传球”、“铲球”等大类动作，很难精准区分“挑球”。
- 开源统计项目：基本没有专门统计挑球的,因为数据源不开放。
- 实际统计结果：挑球过人在顶级职业赛事中极少出现（属于稀有动作），所以即使有数据,样本量也小到难以作为有效分析指标。
如果你有视频数据想要自己统计，可以尝试用姿态识别（如 OpenPose + 自定义规则判断脚部抬升高度和触球轨迹），但这属于计算机视觉领域的开发项目，而不是现成的“足球数据统计库”。
