实用脚本如何分析球员之间的默契程度？

wen 实用脚本 2026-08-25 3

本文目录导读：

实用脚本如何分析球员之间的默契程度？

第一步：数据采集（你需要什么数据？）
第二步：核心算法（如何定义“默契”？）
第三步：实用脚本模板（Python + Pandas）
第四步：进阶脚本与可视化（热力图）
第五步：注意事项与纠偏

这是一个很有意思的问题，在现代足球（篮球、排球等团队项目）分析中，球员之间的“默契”已经从玄学变成了可以量化的“协同行为数据”。

要分析球员之间的默契程度，不能用单一指标，而需要建立一套“行为-结果”分析框架，以下是一份实用脚本的构建指南，分为数据采集、核心算法、实战脚本和可视化四个层面。

第一步：数据采集（你需要什么数据？）

要量化默契，脚本需要依赖事件数据和轨迹数据：

事件数据：传球（成功/失败）、接球、射门、抢断、跑位接应。
关键字段：时间戳、球员ID、坐标（x,y）、事件类型、结果（成功/失败）。
轨迹数据：每秒25次左右的球员位置追踪。
关键字段：球员ID、帧数、坐标。
上下文数据：防守压力（对手距离）、比赛阶段（进攻/防守）、阵型。

第二步：核心算法（如何定义“默契”？）

默契可以分为三个维度：连通性（找得到）、互补性（配合好）、预见性（跑位对）。

你的脚本可以围绕以下核心公式构建：

传球成功率加权指数（连通性）

这是最基础的,但需要加权。

[ \text{Momentum}{A,B} = \frac{\text{成功传球}{A \to B}}{\text{总传球}_{A \to B}} \times \text{防守压力系数} ]

进阶：如果A传给B的球在高压力（防守人距离<1米）下依然成功,脚本应给予更高的权重。

预期助攻与创造力（互补性）

使用xG（预期进球）模型的后置版本：xA（预期助攻）。

脚本逻辑：如果A球员传给B球员的那一球，B球员形成射门且射门位置/角度极佳（高xG值）,说明A和B的进攻配合默契。

跑位与视野共识（预见性/无球默契）—— 推荐

这是最有价值的指标，核心算法是“传球空间比”。

逻辑：当A持球，B球员进行了无球跑动（比如前插身后）。
脚本计算：B的跑动方向是否与A传球的角度吻合？
- 计算B跑动路线与A出球方向的余弦相似度。
- 如果余弦值接近1（方向完全一致），则记一次“有效接应”。

标准球权转换熵（稳定性）

默契高的组合,失误率低且球权转换有序。

[ \text{Entropy} = -\sum (p_i \log p_i) ]

如果A和B之间只有单一的传球模式（比如只会横传），熵值低；如果传球线路多样且高效，熵值适中但成功率高,这代表战术默契。

第三步：实用脚本模板（Python + Pandas）

下面的脚本是一个框架,你可以直接根据数据源修改字段名。

import pandas as pd
import numpy as np
from itertools import combinations
# 假设你有一个DataFrame: events
# 列包括: ['timestamp', 'player_id', 'event_type', 'x', 'y', 'next_player_id', 'outcome']
# event_type: 'pass', 'reception', 'shot'
# outcome: 'success', 'fail'
def calculate_pair_synergy(events_df, min_samples=5):
    """
    计算所有二人组合的默契度指标
    """
    results = []
    # 只保留传球相关的数据
    passes = events_df[(events_df['event_type'] == 'pass')].copy()
    # 获取所有球员
    players = sorted(set(passes['player_id']) | set(passes['next_player_id']))
    for p1, p2 in combinations(players, 2):
        # 筛选A->B 和 B->A 的传球
        ab_passes = passes[(passes['player_id'] == p1) & (passes['next_player_id'] == p2)]
        ba_passes = passes[(passes['player_id'] == p2) & (passes['next_player_id'] == p1)]
        total_ab = len(ab_passes)
        total_ba = len(ba_passes)
        # 确保有足够样本
        if (total_ab + total_ba) < min_samples:
            continue
        # --- 指标1: 双向成功率 ---
        success_ab = len(ab_passes[ab_passes['outcome'] == 'success'])
        success_ba = len(ba_passes[ba_passes['outcome'] == 'success'])
        combined_success_rate = (success_ab + success_ba) / (total_ab + total_ba) if (total_ab + total_ba) > 0 else 0
        # --- 指标2: 进攻威胁性 (传球向前推进距离) ---
        # 计算传球的向前传球距离 (y轴通常代表进攻方向)
        forward_distance = []
        for _, row in ab_passes.iterrows():
            if row['outcome'] == 'success':
                # 假设你能找到接球点的坐标，此处用 next_event_x/y 代替
                dist = row.get('next_y', row['y']) - row['y']  # 简化示例
                forward_distance.append(max(dist, 0))
        avg_forward_progress = np.mean(forward_distance) if forward_distance else 0
        # --- 指标3: 跑动默契 (假设你有轨迹数据，此处用事件替代) ---
        # 简化：传球后，接球者形成射门的比例
        shots_after = passes[(passes['player_id'] == p1) & (passes['next_player_id'] == p2) & (passes['next_event_type'] == 'shot')]
        creativity = len(shots_after) / total_ab if total_ab > 0 else 0
        # --- 综合评分 (需要根据你的需求调整权重) ---
        synergy_score = (combined_success_rate * 0.4 + 
                        np.tanh(avg_forward_progress / 10) * 0.3 + 
                        creativity * 0.3)
        results.append({
            'pair': f'{p1}-{p2}',
            'total_passes': total_ab + total_ba,
            'success_rate': combined_success_rate,
            'forward_progress': avg_forward_progress,
            'creativity': creativity,
            'synergy_score': synergy_score
        })
    # 生成排名表
    synergy_df = pd.DataFrame(results)
    synergy_df = synergy_df.sort_values('synergy_score', ascending=False)
    return synergy_df
# 使用示例
# df = pd.read_csv('your_match_events.csv')
# synergy_rank = calculate_pair_synergy(df)
# print(synergy_rank.head(10))

第四步：进阶脚本与可视化（热力图）

如果你有坐标数据，可以绘制“连线热力图”,这比数字更直观。

import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
from matplotlib.collections import LineCollection
def plot_synergy_network(events_df, top_n=5):
    """
    绘制球员传球默契网络
    """
    # 获取场地尺寸
    pitch_length, pitch_width = 105, 68
    fig, ax = plt.subplots(figsize=(12, 8))
    # 画球场 (简化)
    ax.add_patch(mpatches.Rectangle((0, 0), pitch_length, pitch_width, 
                                     edgecolor='black', facecolor='none'))
    # 计算球员平均位置
    positions = events_df.groupby('player_id')[['x', 'y']].mean()
    # 绘制传球线 (厚线代表高默契)
    for p1, p2 in combinations(positions.index, 2):
        ab = events_df[(events_df['player_id'] == p1) & (events_df['next_player_id'] == p2)]
        ba = events_df[(events_df['player_id'] == p2) & (events_df['next_player_id'] == p1)]
        total = len(ab) + len(ba)
        if total > 5:  # 过滤低频率
            linewidth = min(total / 5.0, 10)  # 线粗代表传球多
            alpha = min((len(ab[ab['outcome']=='success']) + len(ba[ba['outcome']=='success'])) / total, 1.0) * 0.7
            ax.plot([positions.loc[p1, 'x'], positions.loc[p2, 'x']],
                    [positions.loc[p1, 'y'], positions.loc[p2, 'y']],
                    'b-', linewidth=linewidth, alpha=alpha)
    # 绘制球员节点
    ax.scatter(positions['x'], positions['y'], s=100, c='red', zorder=5)
    for idx, row in positions.iterrows():
        ax.annotate(idx, (row['x'], row['y']), textcoords="offset points", 
                   xytext=(0,5), ha='center', fontweight='bold')
    # 标题解释
    plt.title('传球默契网络图 (线越粗 = 互动越多 | 透明度越高 = 成功率越高)')
    plt.axis('off')
    plt.show()