本文目录导读：
在足球数据分析中,“边路突破能力”通常不是单一数据，而是由多个维度构成的复合指标。
由于没有具体的数据集,我无法直接给出“A队100分，B队95分”的对比，但我可以给你一套完整的Python分析框架，包含数据模拟、指标计算和可视化对比的代码，你可以把代码中的数据源换成你实际拥有的数据（如StatsBomb、Wyscout或手动统计的Excel）。
第一步：定义“边路突破能力”的指标体系
在写代码前,先明确要看什么，我们通常从以下4个维度衡量：
- 数量（Volume）：边路传中次数、1v1过人次数、成功进入进攻三区次数。
- 质量（Quality）：成功传中率、过人成功率、创造射门机会的次数。
- 威胁（Threat）：传中形成射门的转化率、禁区内触球（纵深推进）次数。
- 效率（Efficiency）：每成功突破一次消耗的球权数，或每X次传中能收获一次绝佳机会。
第二步：Python实战代码（以模拟数据为例）
我们将模拟两支球队近10场比赛的边路数据,并进行雷达图对比。
导入库并生成模拟数据
（如果你有真实的Excel/CSV，请用 pd.read_excel 替换这一段）
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
from math import pi
# 设置中文显示（避免乱码）
plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] # Mac
plt.rcParams['axes.unicode_minus'] = False
# 设置随机种子，保证结果可复现
np.random.seed(42)
# 模拟数据：假设我们提取了球队A和球队B各10场的关键边路数据
data = {
'球队': ['A队']*10 + ['B队']*10,
'边路传中次数': np.random.randint(15, 30, 20),
'边路1v1过人成功次数': np.random.randint(5, 15, 20),
'成功传中次数': np.random.randint(4, 12, 20),
'传中创造射门机会': np.random.randint(2, 8, 20),
'禁区内边路触球次数': np.random.randint(10, 25, 20)
}
df = pd.DataFrame(data)
print("前5行数据结构预览：")
print(df.head())
计算两队平均核心指标
我们需要将上述原始数据归一化或计算比率,转化为5个维度的打分。
# 按球队分组求平均值
summary = df.groupby('球队').agg({
'边路传中次数': 'mean',
'边路1v1过人成功次数': 'mean',
'成功传中次数': 'mean',
'传中创造射门机会': 'mean',
'禁区内边路触球次数': 'mean'
}).reset_index()
# 计算衍生比率（质量指标）
summary['传中成功率'] = summary['成功传中次数'] / summary['边路传中次数'] * 100
summary['传中威胁率'] = summary['传中创造射门机会'] / summary['成功传中次数'] * 100
# 选择用于对比的最终5个维度
# （此处假设五个维度权重相同，你可以根据需求调整分母进行归一化）
metrics = {
'均值传中量': summary['边路传中次数'] / summary['边路传中次数'].max() * 100,
'突破成功数': summary['边路1v1过人成功次数'] / summary['边路1v1过人成功次数'].max() * 100,
'传中成功率': summary['传中成功率'],
'传中威胁度': summary['传中威胁率'], # 注意这里可能超过100，看情况clip
'禁区内触球': summary['禁区内边路触球次数'] / summary['禁区内边路触球次数'].max() * 100
}
# 转换为DataFrame用于绘图
metric_df = pd.DataFrame(metrics, index=['A队', 'B队'])
# 修正：如果比率超过100，通常我们将其饱和处理，或者除以最大值
metric_df = metric_df / metric_df.max() * 100
print("\n归一化后的雷达图数据（满分100）：")
print(metric_df.round(1))
绘制雷达图进行直观对比
雷达图是对比球队能力最直观的方式,能够一眼看出“谁更偏科”或“谁更全面”。
def plot_radar(data, labels, title='球队边路突破能力对比'):
# 设置雷达图参数
angles = [n / float(len(labels)) * 2 * pi for n in range(len(labels))]
angles += angles[:1] # 闭合图形
# 初始化绘图
fig, ax = plt.subplots(figsize=(8, 8), subplot_kw=dict(polar=True))
# 绘制每一支球队
for idx, row in data.iterrows():
values = row.values.flatten().tolist()
values += values[:1] # 闭合
ax.plot(angles, values, linewidth=2, linestyle='solid', label=idx)
ax.fill(angles, values, alpha=0.25)
# 添加标签
ax.set_xticks(angles[:-1])
ax.set_xticklabels(labels, fontsize=12)
ax.set_ylim(0, 100)
ax.set_title(title, size=15, pad=20)
# 添加图例
ax.legend(loc='upper right', bbox_to_anchor=(1.2, 1.0))
plt.show()
# 调用绘图函数
labels = ['传中量', '突破成功', '传中成功率', '传中威胁度', '禁区内触球']
plot_radar(metric_df, labels)
运行效果示意（模拟结果）：
- A队（蓝色）：可能在“传中量”和“突破成功”上数值很高，但在“传中成功率”上低，说明“边路能突能传，但把握机会能力差”。
- B队（橙色）：可能“传中量”少，但“传中威胁度”高，说明“不轻易传中，传中必见血”。
第三步：进阶深度对比（单场与趋势）
除了上面的总体平均,我们还可以看稳定性，这里用折线图看两队在10场比赛中的“边路成功传中”趋势。
# 将球队分离
df_A = df[df['球队'] == 'A队'].reset_index(drop=True)
df_B = df[df['球队'] == 'B队'].reset_index(drop=True)
# 绘制折线图（以成功传中为例）
plt.figure(figsize=(10, 5))
plt.plot(df_A.index+1, df_A['成功传中次数'], marker='o', label='A队成功传中', color='blue')
plt.plot(df_B.index+1, df_B['成功传中次数'], marker='s', label='B队成功传中', color='red')
plt.xlabel('比赛场次')
plt.ylabel('成功传中次数')'两队近10场边路成功传中次数走势对比')
plt.legend()
plt.grid(alpha=0.3)
plt.show()
第四步：如何解读这些图表（写给看报告的人）
如果只看上面的图,你怎么下结论？请参考以下解读模板：
- 看基本面：如果A队雷达图的“传中量”和“禁区内触球”明显大于B队，说明A队是“主打边路”的球队，B队可能更偏向中路渗透。
- 看效率：如果A队“传中成功率”低于B队，且“突破成功”也低，那么A队虽然传得多，但属于“无效传中”，边路威胁实际不大。
- 看比赛背景：如果B队在面对强队时，其“成功过人”和“传中威胁度”依然很高，说明其边路突破具备“硬解能力”（指一对一个人突破能力出众），这种能力在淘汰赛或密集防守下价值更大。
针对你的问题）
如果你要真正分析两队,建议按以下步骤操作：
- 数据清洗：确保你获取的数据包含“左路”和“右路”的独立标注（通常主流数据商如StatsBomb有
left/right标签）。 - 分区域统计：将“边路传中（Crosses from Left/Right）”、“边路过人（Dribbles in Wide Areas）”筛选出来。
- 核心指标计算：按上文代码中的
summary部分计算平均值。 - 可视化：使用雷达图看全面性，使用箱线图看稳定性，使用热力图看区域热点（如果有坐标数据）。
如果你有具体的 CSV/Excel文件（包含列名的Excle表格），可以直接发给我列名（match_id, player, cross, attempted_dribble），我可以直接帮你把代码改成直接读取文件的格式。
