根据实用脚本，进攻三区传球成功率？

本文目录导读：

1. 核心定义（先明确口径）
2. SQL 查询脚本（适用于 Opta/StatsBomb 数据库）
3. Python 实用脚本（Pandas 数据处理）
4. 进阶版：技术统计（更贴近实用分析）
5. 关键注意事项
6. 总结输出示例

在足球数据分析中（特别是使用 StatsBomb 或 Opta 这类数据源时），进攻三区传球成功率（Final Third Passing Accuracy） 是一个基础且实用的指标。

这里提供两个层面的“实用脚本”：

1. SQL 查询脚本（适用于从数据库中直接提取数据）。
2. Python 脚本（适用于使用 pandas 处理导出的 CSV 或通过 API 获取的数据）。

核心定义（先明确口径）

• 进攻三区（Final Third）：靠近对方球门的最后 1/3 场地。
• 传球成功：传球成功找到了本方队友（且队友成功控球）。
• 成功率：成功的传球次数 / 该区域总传球尝试次数。

SQL 查询脚本（适用于 Opta/StatsBomb 数据库）

假设你的数据库中有一张名为 passes 的表,包含以下字段：

• player_id
• player_name
• x（起始点 X 坐标，0-100，100 为对方底线）
• y（起始点 Y 坐标，0-100）
• outcome（‘Complete’ 或 ‘Incomplete’）
• match_id

逻辑：提取所有起始点 x > 66.7（即进攻三区）的传球,计算成功率。

SELECT 
    player_name,
    COUNT(*) AS total_passes,
    SUM(CASE WHEN outcome = 'Complete' THEN 1 ELSE 0 END) AS successful_passes,
    ROUND(
        SUM(CASE WHEN outcome = 'Complete' THEN 1 ELSE 0 END) * 100.0 / COUNT(*), 
        1
    ) AS final_third_accuracy_pct
FROM passes
WHERE 
    -- 假设坐标是 0-100，进攻三区是接近对方球门的 33.3 码
    x > 66.7
    -- 如果需要筛选特定赛季或球队，在这里添加过滤条件
    -- AND match_id IN (SELECT id FROM matches WHERE season = '2023-24')
GROUP BY player_name
HAVING COUNT(*) >= 10  -- 排除传球次数太少的样本
ORDER BY final_third_accuracy_pct DESC;

Python 实用脚本（Pandas 数据处理）

这是最常用的情况，假设你从数据源导出了一个包含所有传球事件的 CSV 文件，字段名稍有不同,但核心逻辑一致。

场景：你想分析某支球队在上一场比赛中，首发中场球员的进攻三区传球成功率。

import pandas as pd
# 假设 CSV 文件列名如下（根据你的数据源调整）
# 'x': 传球起始点X, 'final' : 是否为进攻三区传球(如果数据源直接提供)
# 我们需要自己计算
# 1. 读取数据
df = pd.read_csv('passes.csv')
# 2. 筛选传球事件（可能包含其他事件，如射门、抢断）
passes_df = df[df['type'] == 'Pass'].copy()
# 3. 判断是否在进攻三区（假设坐标是0-100）
# 注意：进攻方向（我方进攻=朝左还是朝右）需要统一，这里假设标准x坐标，x越大越接近对方球门。
passes_df['is_final_third'] = passes_df['x'] > 66.7
# 4. 筛选进攻三区的传球
final_third_passes = passes_df[passes_df['is_final_third']]
# 5. 假设 'outcome' 列包含 'Complete' 或 'Incomplete'
# 创建布尔值：是否成功
final_third_passes['is_success'] = final_third_passes['outcome'] == 'Complete'
# 6. 根据球员分组计算指标
result = final_third_passes.groupby('player_name').agg(
    total_passes=('outcome', 'count'),  # 总传球次数
    successful_passes=('is_success', 'sum')  # 成功次数（布尔求和）
).reset_index()
# 7. 计算成功率
result['accuracy_pct'] = (result['successful_passes'] / result['total_passes'] * 100).round(1)
# 8. 过滤出场传球次数较少的球员（例如至少5次）
result = result[result['total_passes'] >= 5]
# 9. 排序输出
result = result.sort_values('accuracy_pct', ascending=False)
print(result)

进阶版：技术统计（更贴近实用分析）

import pandas as pd
# 如果你的数据源直接提供了 'pass_outcome' 或 'pass_accuracy'
def calculate_final_third_accuracy(df):
    """
    一行函数：计算进攻三区传球成功率
    df 必须包含列：'x', 'outcome', 'player_id'
    """
    final_third = df[df['x'] > 66.7]
    group = final_third.groupby('player_id').agg(
        attempts=('outcome', 'count'),
        completions=('outcome', lambda x: (x == 'Complete').sum())
    )
    group['success_rate'] = group['completions'] / group['attempts'] * 100
    return group.sort_values('success_rate', ascending=False)

关键注意事项

1. 坐标问题：不同公司的数据格式不同。
   • Opta: 坐标是 0-100，进攻方向取决于半场（如果需要全赛季，必须判断 team_side）。
   • StatsBomb: 坐标是 0-120（X轴），进攻三区是指 x >= 80（因为120的一半是60，最后1/3是从80到120）。
   • 如果是平铺数据（所有球队都在同一方向），需要先标准化坐标（把对方球门作为 X 轴正方向）。
2. 传球方向：通常排除回传和横传的区分，如果是严格的“前场组织”评估，有时只计算 向前传球（Progressive Pass），如果要求这个，脚本需增加条件：if x_end > x_start。
3. 权重：如果评估传球手，建议加入传球距离加权（如 Expected Threat 或 xT）,但标准成功率通常是纯次数比。

总结输出示例

如果你的脚本运行正确,输出将会是一个表格：

建议：如果你提供具体的数据源（如 Wyscout 的列名）,我可以帮你把字段名改成完全匹配的版本。