实用脚本统计反击次数哪队更高效？

wen 实用脚本 2026-08-27 1

本文目录导读：

实用脚本统计反击次数哪队更高效？

场景一：假设你有结构化数据（例如从Wyscout或StatsBomb导出的CSV）
场景二：如果你只有“射门”和“进球”的流水日志（无进攻序列标签）
场景三：如果你是玩足球游戏（如FM/实况），想分析战术面板
纯命令行的“极简版”（Linux/Unix环境）
重点提醒（关于“高效”的坑）

在统计“反击次数”和“反击效率”时，首先需要明确一个核心指标定义：你是在统计“反击进球数”（结果）还是“反击射门转化率”（过程）？

“哪队更高效”取决于你想看绝对产出还是性价比，下面是几段不同场景下的实用脚本思路（基于Python/Pandas），你可以根据手头的数据格式直接套用。

假设你有结构化数据（例如从Wyscout或StatsBomb导出的CSV）

数据结构通常包含：Team, Event_Type（如Pass/Shot/Goal）, Sequence_Type（如FastBreak/Regular）, Outcome。这种情况最直接，用Pandas几行代码就能算。

import pandas as pd
# 假设 df 是你的数据框
# df = pd.read_csv('your_data.csv')
# 关键列：['team', 'attack_type', 'shot_outcome', 'is_goal']
# 1. 筛选出所有“反击”（假设数据里标记为 'FastBreak' 或 'CounterAttack'）
counter_attacks = df[df['attack_type'].isin(['FastBreak', 'CounterAttack'])]
# 2. 统计每队的反击总次数（通常以“完成一次射门”或“进入进攻三区”为一次计数）
# 如果一条反击是一个序列，需要先按进攻序列ID分组去重
attack_counts = counter_attacks.groupby('team')['sequence_id'].nunique()
# 3. 统计每队的反击射正/进球数（以射门事件为准）
goals = counter_attacks[counter_attacks['event_type'] == 'Goal'].groupby('team').size()
shots = counter_attacks[counter_attacks['event_type'] == 'Shot'].groupby('team').size()
# 4. 综合计算“效率”
result = pd.DataFrame({
    '反击总次数': attack_counts,
    '反击射门数': shots,
    '反击进球数': goals,
})
result['反击射门率'] = result['反击射门数'] / result['反击总次数']
result['反击转化率'] = result['反击进球数'] / result['反击射门数']  # 每次射门得分率
result['反击得分率'] = result['反击进球数'] / result['反击总次数']  # 每次反击得分率
result = result.fillna(0).sort_values('反击转化率', ascending=False)
print(result)

如果你只有“射门”和“进球”的流水日志（无进攻序列标签）

如果你只有类似 比赛名, 队伍, 射门方式(定位球/反击/阵地), 是否进球 的日志，脚本会简化很多：

import pandas as pd
# 原始数据
data = [
    {"team": "利物浦", "type": "反击", "shot": 1, "goal": 1},
    {"team": "曼城", "type": "反击", "shot": 2, "goal": 0},
    {"team": "利物浦", "type": "反击", "shot": 0, "goal": 0}, # 反击未形成射门
]
df = pd.DataFrame(data)
# 直接汇总
summary = df.groupby('team').agg(
    反击次数=('type', 'count'),
    射门数=('shot', 'sum'),
    进球数=('goal', 'sum')
).reset_index()
# 效率定义：每次反击制造进球的概率
summary['高效指数'] = summary['进球数'] / summary['反击次数']
# 或者：每脚反击射门的进球率
summary['射门转化率'] = summary['进球数'] / summary['射门数'].replace(0, float('nan'))
print(summary.sort_values('高效指数', ascending=False))

如果你是玩足球游戏（如FM/实况），想分析战术面板

如果是这种场景,你用Python爬虫抓取API或者直接用Excel的COUNTIFS反而更快：

=COUNTIFS(赛事范围, "反击", 球队范围, "阿森纳", 进球列, ">0") / COUNTIFS(赛事范围, "反击", 球队范围, "阿森纳")

如果你有每场比赛的时间戳，想算反击的“耗时效率”（比如是否快速反击），可以加上一列时间差：

# 假设有时间序列
df['time_sec'] = pd.to_timedelta(df['time'], unit='s')
# 计算同一进攻序列的持续时间，或者反击发起点到结束点的秒数
df['duration'] = df.groupby('sequence_id')['time_sec'].diff().fillna(0)
# 看看进球的反击平均耗时多少秒
avg_time = df[df['goal']==1].groupby('team')['duration'].mean()
print(avg_time)

纯命令行的“极简版”（Linux/Unix环境）

如果你没有Python环境,只有一份纯文本文件（比如每行是：Team,Action,Outcome），可以用awk一行搞定：

# 统计“反击”次数
awk -F',' '$2=="反击" {count[$1]++} END {for (team in count) print team, count[team]}' data.csv | sort -k2 -rn
# 统计“反击进球” + 排名
awk -F',' '$2=="反击" && $3=="进球" {goal[$1]++} END {for (team in goal) print team, goal[team]}' data.csv | sort -k2 -rn

重点提醒（高效”的坑）

样本量偏差：有的球队反击次数极少（比如保级队摆大巴），但可能一次反击一个进球，转化率100%，这时候应该用“期望进球(xG)”而不是纯进球数来判断效率。
对手强度：对阵强队和弱队的反击效率没有可比性，如果要做严谨对比，建议加上“对手防守强度系数”。
比赛阶段：比分领先时反击效率高，落后时对手压上反击空间大，这些都需要归一化处理。

如果能把你的数据格式（比如列名、样例）贴出来，我可以直接帮你把脚本调整到完全匹配，当前脚本假设你已经有“反击”这个标签了——如果还没有，需要用跑动距离或传球速度模型去定义哪些算“反击”，那又会是另一个更复杂的脚本。