本文目录导读：
基于目前（2024-2025年）足球数据分析领域的主流开源项目和学术研究，射门质量（Shot Quality）的评估已经从单纯的“射正率”进化到了基于空间位置、身体姿态和守门员模型的“预期进球值（xG）”时代。
结合GitHub上活跃度较高的开源项目（如 mplsoccer、StatsBombR、Soccerwatch 等）以及相关论文，目前评估射门质量主要从以下几个量化维度进行：
核心指标：预期进球值（xG）
这是评估射门质量最核心、最通用的标准，开源项目（如 StatsBomb 的开放数据模型）通常使用广义线性模型或XGBoost来构建xG模型，输入特征决定了射门质量的高低。
- 射门角度（Angle）：射门点与球门两立柱形成的夹角，角度越小（越靠近底线），xG越低。
- 射门距离（Distance）：距球门的距离，通常距离越远，xG呈指数级下降。
- 身体部位（Body Part）：使用惯用脚、非惯用脚还是头球，通常头球和惯用脚的xG加成更高。
- 射门方式（Assist Type）：是来自传中、直塞、角球还是个人盘带？直塞球（Through Ball） 后的射门通常比传中后的射门质量高。
空间与压迫维度（新兴开源热点）
现在的开源模型（如 Friends-of-Tracking 或 Kloppy 库）开始引入队友和对手的位置信息，而非只看射门者本人。
- 防守距离（Pressure/Distance to Defender）：射门时最近防守球员的距离，如果防守球员在1米内贴身，射门质量会大打折扣。
- 射门前的触球动作（Angle of Body）：这是最近非常热门的模型输入变量，射门时身体是否打开（Side-on）还是背对球门（Back-to-goal），直接决定了发力质量。
- 视野开阔度（Field of View）：射门点与守门员之间是否有防守球员遮挡视线（视觉遮挡会降低xG）。
守门员因素（基于计算机视觉的评估）
开源社区（如使用 TrackNet 进行球体追踪）在评估射门质量时，不仅是“射门方视角”，还会结合守门员模型：
- 球速（Ball Velocity）：利用视频追踪提取足球飞行速度，射门时速超过120km/h会显著提升得分概率。
- 入网区域（Placement）：射门是否打在球门死角（Top Corner）？根据守门员的扑救模型，距离守门员可控范围（Catch Radius）越远，质量越高。
当前开源实战工具（推荐参考）
如果你想用代码实际评估射门质量,可以参考以下活跃的开源仓库：
| 工具/库 | 说明 | 主要作用 |
|---|---|---|
statsbomb/free-data + mplsoccer |
StatsBomb 提供了带xG值的事件数据；mplsoccer 是Python绘图库，可轻松绘制射门分布和xG热力图。 |
提供标准化真实数据，用于验证和展示射门模型。 |
Friends-of-Tracking/... |
该组织发布了带坐标跟踪数据的公开数据集，并提供基于Python的轨迹分析代码。 | 用于分析射门前的空间、速度与压迫。 |
SoccerTrack / Ultralytics-YOLO |
用于从视频帧中识别球员和足球的检测模型。 | 自定义比赛数据时，用于提取射门瞬间的物理特征（球速、距离）。 |
进阶评估：模拟法（Monte Carlo Simulation）
对于一些开源科研项目,射门质量不仅是一个静态数字，还会通过蒙特卡洛模拟来评估：
- 结合门将的扑救成功率数据,模拟该射门在“平均门将”和“神级门将”面前的得分概率。
- 这比单纯的xG更能体现射门的“绝对质量”（即射门本身的刁钻程度，而非射门位置的好坏）。
射门质量 = 位置概率（基础xG） + 身体姿态概率（射门前的调整） + 命中死角概率（精确度） + 球速/轨迹（物理特性）。
如果你刚接触,建议先用 mplsoccer 加载公共数据集的xG模型，观察哪些因素影响最大；如果需要做更精细的评估，则需要借助YOLO进行目标检测，获取“射门瞬间”的身体姿态数据。
