python案例统计界外球进攻威胁次数？

wen python案例 2026-08-26 208

本文目录导读：

完整实现代码
核心功能说明
扩展建议

我来为您设计一个统计足球界外球进攻威胁次数的Python案例,这个案例会包含数据模拟、分析和可视化。

完整实现代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime, timedelta
import random
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
class ThrowInThreatAnalyzer:
    """界外球进攻威胁分析器"""
    def __init__(self):
        self.throw_in_data = []
        self.threat_events = []
    def simulate_throw_in_data(self, num_events=100):
        """模拟界外球数据"""
        teams = ['主队', '客队']
        zones = ['进攻三区', '中场区域', '防守三区']
        players = [f'球员{i:02d}' for i in range(1, 12)]
        for i in range(num_events):
            event = {
                '事件编号': f'TI-{i+1:04d}',
                '时间': f'{random.randint(1, 90)}:{(random.randint(0, 59)):02d}',
                '队伍': random.choice(teams),
                '执行球员': random.choice(players),
                '区域': random.choice(zones),
                '距离球门': random.randint(5, 40),  # 米
                '传球成功率': random.uniform(0.5, 1.0),
                '接球球员位置': random.choice(['边路', '中路', '禁区']),
                '防守压力': random.choice(['高', '中', '低']),
                '是否有队友接应': random.choice([True, False])
            }
            # 计算威胁分数
            event['威胁分数'] = self.calculate_threat_score(event)
            event['是否构成威胁'] = event['威胁分数'] >= 0.6
            self.throw_in_data.append(event)
        return pd.DataFrame(self.throw_in_data)
    def calculate_threat_score(self, event):
        """计算界外球的威胁分数"""
        score = 0
        # 区域权重
        zone_weights = {
            '进攻三区': 0.5,
            '中场区域': 0.3,
            '防守三区': 0.1
        }
        score += zone_weights[event['区域']]
        # 距离球门权重（越近威胁越大）
        distance_weight = max(0, 0.3 - event['距离球门']/100)
        score += distance_weight
        # 传球成功率权重
        score += event['传球成功率'] * 0.15
        # 接球位置权重
        position_weights = {
            '禁区': 0.2,
            '中路': 0.15,
            '边路': 0.1
        }
        score += position_weights[event['接球球员位置']]
        # 防守压力影响（压力越小威胁越大）
        pressure_weights = {
            '低': 0.1,
            '中': 0.05,
            '高': 0.02
        }
        score += pressure_weights[event['防守压力']]
        # 队友接应奖励
        if event['是否有队友接应']:
            score += 0.1
        return min(1.0, score)
    def analyze_threats(self, df):
        """分析威胁事件"""
        results = {}
        # 基础统计
        results['总界外球次数'] = len(df)
        results['威胁事件次数'] = len(df[df['是否构成威胁'] == True])
        results['威胁比率'] = (results['威胁事件次数'] / results['总界外球次数']) * 100
        # 按队伍统计
        team_stats = df.groupby('队伍').agg({
            '事件编号': 'count',
            '是否构成威胁': lambda x: sum(x),
            '威胁分数': 'mean'
        }).rename(columns={
            '事件编号': '总次数',
            '是否构成威胁': '威胁次数',
            '威胁分数': '平均威胁分数'
        })
        results['队伍统计'] = team_stats
        # 按区域统计
        zone_stats = df.groupby('区域').agg({
            '事件编号': 'count',
            '是否构成威胁': lambda x: sum(x),
            '威胁分数': 'mean'
        }).rename(columns={
            '事件编号': '总次数',
            '是否构成威胁': '威胁次数',
            '威胁分数': '平均威胁分数'
        })
        results['区域统计'] = zone_stats
        # 高威胁事件（得分前20%）
        high_threshold = df['威胁分数'].quantile(0.8)
        high_threats = df[df['威胁分数'] >= high_threshold]
        results['高威胁事件'] = high_threats
        results['高威胁阈值'] = high_threshold
        # 时间分布
        df['分钟'] = df['时间'].apply(lambda x: int(x.split(':')[0]))
        time_stats = df.groupby(pd.cut(df['分钟'], bins=[0, 15, 30, 45, 60, 75, 90],
                                       labels=['0-15', '16-30', '31-45', '46-60', '61-75', '76-90'])).agg({
            '事件编号': 'count',
            '是否构成威胁': lambda x: sum(x)
        }).rename(columns={
            '事件编号': '总次数',
            '是否构成威胁': '威胁次数'
        })
        results['时间段统计'] = time_stats
        return results
    def visualize_results(self, df, results):
        """可视化分析结果"""
        fig, axes = plt.subplots(2, 2, figsize=(15, 12))
        # 1. 威胁比率饼图
        ax1 = axes[0, 0]
        threat_counts = df['是否构成威胁'].value_counts()
        colors = ['#ff9999', '#66b3ff']
        ax1.pie(threat_counts, labels=['威胁', '无威胁'], colors=colors,
                autopct='%1.1f%%', startangle=90)
        ax1.set_title('界外球威胁比率分布')
        # 2. 区域威胁分析柱状图
        ax2 = axes[0, 1]
        zone_data = results['区域统计']
        x = range(len(zone_data.index))
        width = 0.35
        ax2.bar([i - width/2 for i in x], zone_data['总次数'], width, 
                label='总次数', color='lightblue')
        ax2.bar([i + width/2 for i in x], zone_data['威胁次数'], width, 
                label='威胁次数', color='coral')
        ax2.set_xlabel('区域')
        ax2.set_ylabel('次数')
        ax2.set_title('不同区域的界外球威胁分析')
        ax2.set_xticks(x)
        ax2.set_xticklabels(zone_data.index)
        ax2.legend()
        # 3. 威胁分数分布直方图
        ax3 = axes[1, 0]
        ax3.hist(df['威胁分数'], bins=20, alpha=0.7, color='green', edgecolor='black')
        ax3.axvline(results['高威胁阈值'], color='red', linestyle='--', 
                   label=f'高威胁阈值: {results["高威胁阈值"]:.2f}')
        ax3.set_xlabel('威胁分数')
        ax3.set_ylabel('频次')
        ax3.set_title('威胁分数分布')
        ax3.legend()
        # 4. 时间段威胁趋势图
        ax4 = axes[1, 1]
        time_data = results['时间段统计']
        time_data.plot(kind='line', marker='o', ax=ax4)
        ax4.set_xlabel('时间段')
        ax4.set_ylabel('次数')
        ax4.set_title('不同时间段的界外球威胁趋势')
        ax4.grid(True, alpha=0.3)
        plt.tight_layout()
        plt.show()
    def generate_report(self, df, results):
        """生成分析报告"""
        print("=" * 50)
        print("界外球进攻威胁分析报告")
        print("=" * 50)
        print(f"\n1. 总体统计")
        print(f"   - 总界外球次数: {results['总界外球次数']}")
        print(f"   - 威胁事件次数: {results['威胁事件次数']}")
        print(f"   - 威胁比率: {results['威胁比率']:.2f}%")
        print("\n2. 队伍统计")
        print(results['队伍统计'].to_string())
        print("\n3. 区域统计")
        print(results['区域统计'].to_string())
        print("\n4. 时间段统计")
        print(results['时间段统计'].to_string())
        print(f"\n5. 高威胁事件 (阈值: {results['高威胁阈值']:.2f})")
        high_threats = results['高威胁事件']
        print(f"   - 高威胁事件数量: {len(high_threats)}")
        if len(high_threats) > 0:
            print("   前5个高威胁事件:")
            print(high_threats[['时间', '队伍', '区域', '距离球门', '威胁分数']].head().to_string())
        print("\n6. 建议和洞察")
        insights = self.generate_insights(results)
        for i, insight in enumerate(insights, 1):
            print(f"   {i}. {insight}")
    def generate_insights(self, results):
        """生成分析洞察"""
        insights = []
        zone_data = results['区域统计']
        # 最佳威胁区域
        best_zone = zone_data['威胁次数'].idxmax()
        insights.append(f"进攻三区是界外球威胁最大的区域，建议加强对该区域的防守")
        # 队伍对比
        team_data = results['队伍统计']
        if len(team_data) >= 2:
            better_team = team_data['威胁次数'].idxmax()
            insights.append(f"{better_team}在界外球进攻上更具威胁性")
        # 时间段洞察
        time_data = results['时间段统计']
        best_time = time_data['威胁次数'].idxmax()
        insights.append(f"在{best_time}时间段的界外球威胁最多，需要注意该时段的防守")
        return insights
# 主程序
def main():
    # 创建分析器
    analyzer = ThrowInThreatAnalyzer()
    # 模拟数据
    print("正在模拟界外球数据...")
    df = analyzer.simulate_throw_in_data(num_events=200)
    print(f"数据模拟完成，共 {len(df)} 次界外球")
    # 分析数据
    print("\n正在分析威胁数据...")
    results = analyzer.analyze_threats(df)
    # 生成报告
    analyzer.generate_report(df, results)
    # 可视化
    print("\n正在生成可视化图表...")
    analyzer.visualize_results(df, results)
    # 保存数据
    df.to_csv('throw_in_analysis.csv', index=False, encoding='utf-8-sig')
    print("\n数据已保存至 'throw_in_analysis.csv'")
    # 额外的深度分析
    print("\n" + "=" * 50)
    print("进阶分析")
    print("=" * 50)
    # 找出最佳界外球战术
    print("\n最佳界外球条件分析:")
    successful_throws = df[df['是否构成威胁'] == True]
    if len(successful_throws) > 0:
        best_conditions = {
            '区域': successful_throws['区域'].mode()[0],
            '接球位置': successful_throws['接球球员位置'].mode()[0],
            '防守压力': successful_throws['防守压力'].mode()[0],
            '队友接应': successful_throws['是否有队友接应'].mode()[0]
        }
        print(f"  - 最佳界外球区域: {best_conditions['区域']}")
        print(f"  - 最佳接球位置: {best_conditions['接球位置']}")
        print(f"  - 低防守压力比例: {(successful_throws['防守压力']=='低').sum()/len(successful_throws)*100:.1f}%")
        print(f"  - 有队友接应比例: {successful_throws['是否有队友接应'].sum()/len(successful_throws)*100:.1f}%")
if __name__ == "__main__":
    main()

核心功能说明

数据模拟：生成界外球事件的模拟数据
威胁评估：基于多因素计算威胁分数
统计分析：多维度分析威胁事件
可视化：直观展示分析结果
报告生成：自动生成分析报告和洞察

扩展建议

# 可以添加的扩展功能
def add_advanced_features(analyzer):
    """添加高级功能"""
    # 1. 球员效率排名
    def player_efficiency(df):
        player_stats = df.groupby('执行球员').agg({
            '事件编号': 'count',
            '是否构成威胁': lambda x: sum(x),
            '威胁分数': 'mean'
        })
        player_stats['效率'] = player_stats['威胁次数'] / player_stats['事件编号'] * 100
        return player_stats.sort_values('效率', ascending=False)
    # 2. 战术模式识别
    def identify_patterns(df):
        patterns = df.groupby(['区域', '接球球员位置', '防守压力']).agg({
            '是否构成威胁': lambda x: sum(x),
            '事件编号': 'count'
        })
        patterns['成功率'] = patterns['是否构成威胁'] / patterns['事件编号']
        return patterns.nlargest(5, '成功率')
    # 3. 时间序列分析
    def time_series_analysis(df):
        df['时间戳'] = pd.to_datetime(df['时间'], format='%M:%S')
        df['分钟'] = df['时间戳'].dt.minute
        rolling_mean = df.set_index('分钟')['威胁分数'].rolling(5).mean()
        return rolling_mean

这个案例提供了完整的界外球威胁分析系统,可根据实际需求调整参数和功能。

本文地址： https://bmjup.com/post/53281.html