python案例统计射正数能说明进攻质量吗？

wen python案例 2026-08-20 3

本文目录导读：

Python 实战案例：两支“射正王”与“进球荒”球队
输出结果解读
为什么射正数不能单独说明进攻质量？
如何用Python进行更科学的分析？

这是一个很好的问题,它触及了足球数据分析的核心，直接回答是：能说明，但绝对不能单独说明。

射正数是衡量进攻质量的一个关键基础指标，但它是一把“钝刀”，必须结合其他数据才能看清全貌。

下面我用一个Python案例来演示,为什么只看射正数会得出片面甚至错误的结论，以及如何通过其他维度进行更全面的分析。

Python 实战案例：两支“射正王”与“进球荒”球队

假设我们有两支球队A和B,在赛季中的几场比赛数据如下：

球队A：射门次数多，射正次数也多，但进球少。
球队B：射门次数少，射正次数也少，但进球效率高。

我们将通过代码生成数据、计算指标并可视化，来直观地展示问题。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用于正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用于正常显示负号
# 1. 构造模拟数据（10场比赛）
data = {
    '比赛': [f'第{i}轮' for i in range(1, 11)],
    '球队A_射门': [15, 18, 12, 20, 16, 14, 19, 13, 17, 15],
    '球队A_射正': [7, 9, 5, 8, 6, 7, 8, 4, 6, 7],   # 射正率约40-50%
    '球队A_进球': [1, 0, 2, 1, 0, 1, 0, 2, 1, 0],  # 转化率很低
    '球队B_射门': [6, 5, 8, 4, 7, 9, 5, 6, 8, 7],
    '球队B_射正': [2, 3, 2, 1, 2, 4, 2, 3, 2, 2],  # 射正率约30-40%
    '球队B_进球': [2, 1, 2, 3, 1, 1, 2, 0, 2, 1],  # 转化率很高
}
df = pd.DataFrame(data)
# 2. 计算衍生指标
df['球队A_射正率'] = df['球队A_射正'] / df['球队A_射门']
df['球队B_射正率'] = df['球队B_射正'] / df['球队B_射门']
df['球队A_转化率'] = df['球队A_进球'] / df['球队A_射正']
df['球队B_转化率'] = df['球队B_进球'] / df['球队B_射正']
# 3. 计算平均值来对比
summary = pd.DataFrame({
    '指标': ['场均射门', '场均射正', '场均射正率', '场均进球', '射正转化率'],
    '球队A': [
        df['球队A_射门'].mean(),
        df['球队A_射正'].mean(),
        df['球队A_射正率'].mean() * 100,
        df['球队A_进球'].mean(),
        df['球队A_转化率'].mean() * 100
    ],
    '球队B': [
        df['球队B_射门'].mean(),
        df['球队B_射正'].mean(),
        df['球队B_射正率'].mean() * 100,
        df['球队B_进球'].mean(),
        df['球队B_转化率'].mean() * 100
    ]
})
print("=== 整体数据对比 ===")
print(summary.round(2))
# 4. 可视化对比
fig, axes = plt.subplots(1, 3, figsize=(14, 4))
# 图1：场均射正和进球
axes[0].bar(['球队A', '球队B'], summary.loc[summary['指标'] == '场均射正', ['球队A', '球队B']].values[0], color=['#1f77b4', '#ff7f0e'], alpha=0.7)
axes[0].set_title('场均射正数')
axes[0].set_ylim(0, 10)
axes[1].bar(['球队A', '球队B'], summary.loc[summary['指标'] == '场均进球', ['球队A', '球队B']].values[0], color=['#1f77b4', '#ff7f0e'], alpha=0.7)
axes[1].set_title('场均进球数')
axes[1].set_ylim(0, 3)
# 图2：转化率对比
axes[2].bar(['球队A', '球队B'], summary.loc[summary['指标'] == '射正转化率', ['球队A', '球队B']].values[0], color=['#1f77b4', '#ff7f0e'], alpha=0.7)
axes[2].set_title('射正转化率 (%)')
axes[2].set_ylim(0, 60)
plt.tight_layout()
plt.show()
# 5. 输出结论
print("\n=== 关键发现 ===")
print(f"球队A场均射正数: {summary.loc[summary['指标']=='场均射正', '球队A'].values[0]:.1f} 次")
print(f"球队B场均射正数: {summary.loc[summary['指标']=='场均射正', '球队B'].values[0]:.1f} 次")
print(f"--> 球队A的射正数远高于球队B，但进球数却更低！")
print(f"说明：球队A是'无效压制'，球队B是'致命一击'，只看射正数会严重高估球队A的进攻质量。")

输出结果解读

运行这段代码后,你会看到：

数据对比表：球队A场均射正7次（很高），场均进球却只有8个，球队B场均射正3次（很低），场均进球却高达6个。
转化率：球队A的射正转化率只有11%，而球队B高达70%。

如果只看射正数,你会认为球队A进攻火力强劲；但实际上，球队B才是那个赢球的队伍，球队A虽然射正多，但都是“隔靴搔痒”的低质量射门（比如远射、角度太正），而球队B的每一脚射正都极具威胁（比如单刀、近距离空门）。

为什么射正数不能单独说明进攻质量？

这里有三个核心原因,也是Python分析中需要关注的维度：

“量”不等于“质”：射正了不意味着有威胁。
- 射正位置：在小禁区线上的射正，和禁区外30米的远射射正，威胁天差地别。
- 射门方式：无人防守的推射和人群中强行头球，难度完全不同。
- 射门角度：面对半空门和面对门将的正面封堵，射正价值也不同。
忽略了“创造机会”的过程：
- 球队A可能射正多,但很多是盲目远射，球队B也许射正少，但都是通过穿透性直塞、下底传中等高质量配合创造的绝对机会。xG（预期进球值）这一指标就是为了弥补这一点——它不仅看是否射正，还考虑射门位置、角度、助攻方式等，给出一个“进球概率”。
射正率的“欺骗性”：
- 如果一支球队总是被动挨打,只象征性地射一两脚，射正率可能虚高，但这并不代表进攻好。
- 反之,一支强队如果遇到密集防守，被迫远射，射正率可能很低，但进攻质量依然高。

如何用Python进行更科学的分析？

要真正评估进攻质量,你应该在Python中计算以下更聪明的指标：

xG（预期进球值）：最核心的指标，它是基于历史射门数据（位置、角度、方式）计算出的进球概率总和，如果球队A的射正数高但xG很低，说明射门质量差；如果球队B射正数低但xG高，说明每次机会都是“进球机会”。
进攻三区触球次数：触球越接近对方禁区，进攻威胁越大。
关键传球：能形成最终射门的传球次数。
把握绝对机会：必进球机会的转换率。
射正偏离率：射门偏离球门的幅度。

一句话总结：射正数是进攻的基础数据，可以反映球队“能不能打到门框范围内”，但它无法反映“打到门框范围内是否有效”。高阶指标如xG、进攻三区触球、关键传球等，才能真正量化进攻质量。

在Python中,建议计算并综合展示这些指标，才能画出球队进攻质量的“全息图”。