python案例怎么看两队后防默契度差异？

本文目录导读：

1. 方案一：基于基础防守数据对比（最简单的入门案例）
2. 方案二：基于时空热力图分析（进阶 - 分析站位间距）
3. 方案三：基于“协防网络”图论分析（最高阶）
4. 总结：如何选择？

在Python中分析“两队后防默契度差异”，首先要明确“默契度”是一个抽象概念，需要将其量化为具体的、可计算的指标。

根据足球数据分析的常见逻辑，后防默契度通常体现在：失球率、防守站位协同（造越位成功率）、解围与拦截的配合、对危险区域的保护等。

这里提供三种由浅入深的Python实现方案,你可以根据手头数据的详细程度选择：

基于基础防守数据对比（最简单的入门案例）

适用场景：只有球队的宏观统计数据（抢断、拦截、解围、失球等）。

核心逻辑：利用“防守成功率”或“防守贡献均衡度”来侧面反映默契，如果后防线的抢断/解围分布非常不均衡，说明可能依赖个别球星,整体配合度可能较低。

import pandas as pd
import numpy as np
# 模拟两支球队的后卫个体数据
data_a = {
    'Player': ['后卫A1', '后卫A2', '后卫A3', '后卫A4'],
    'Tackles': [5, 6, 2, 1],   # 抢断
    'Interceptions': [4, 8, 3, 2], # 拦截
    'Clearances': [10, 12, 15, 20] # 解围
}
data_b = {
    'Player': ['后卫B1', '后卫B2', '后卫B3', '后卫B4'],
    'Tackles': [4, 4, 3, 3],   # 分布较均匀
    'Interceptions': [5, 5, 4, 4],
    'Clearances': [12, 11, 13, 12]
}
df_a = pd.DataFrame(data_a)
df_b = pd.DataFrame(data_b)
# 定义“协作度”指标：变异系数（CV）越低，代表防守动作越平均，配合越默契
def calculate_cohesion(df):
    # 计算总防守动作
    df['Total_Defense'] = df['Tackles'] + df['Interceptions'] + df['Clearances']
    mean = df['Total_Defense'].mean()
    std = df['Total_Defense'].std()
    cv = std / mean  # 变异系数
    return cv, df['Total_Defense'].sum()
cv_a, total_a = calculate_cohesion(df_a)
cv_b, total_b = calculate_cohesion(df_b)
print("="*50)
print("【评判标准】变异系数越小，个体防守贡献越均匀，潜台词是协防默契度高")
print("="*50)
print(f"球队A的防守变异系数: {cv_a:.2f} (总防守次数: {total_a})")
print(f"球队B的防守变异系数: {cv_b:.2f} (总防守次数: {total_b})")
if cv_a < cv_b:
    print(">>> 球队A的后防个体动作更均衡，整体协同性显得更高。")
else:
    print(">>> 球队B的后防个体动作更均衡，整体协同性显得更高。")

基于时空热力图分析（进阶 - 分析站位间距）

适用场景：拥有GPS轨迹数据或事件发生坐标（如解围发生在哪个区域）。

核心逻辑：默契度高的后防线，在防守时彼此间的间距保持得更好（不会过于分散导致空当大，也不会过于集中漏掉身后），通过分析后卫们一次防守事件中的坐标，计算平均距离和距离方差。

提示：需要安装 matplotlib 和 scipy 绘制图形来直观展示。

import numpy as np
import matplotlib.pyplot as plt
# 模拟强队A的一次防守站位（x, y坐标，半场横轴0-100，纵轴0-100）
coords_a = np.array([[20, 60], [20, 40], [30, 50], [15, 70]]) 
# 模拟弱队B的一次防守站位（站位散漫）
coords_b = np.array([[10, 80], [40, 20], [25, 60], [60, 30]])
def pairwise_distance(arr):
    # 计算两两之间的欧几里得距离矩阵
    diff = arr[:, None, :] - arr[None, :, :]
    dist = np.sqrt((diff ** 2).sum(axis=-1))
    return dist
dist_a = pairwise_distance(coords_a)
dist_b = pairwise_distance(coords_b)
# 只取上三角部分（排除自身到自身的距离0）
avg_gap_a = dist_a[np.triu_indices(4, k=1)].mean()
avg_gap_b = dist_b[np.triu_indices(4, k=1)].mean()
print(f"A队防线平均间距: {avg_gap_a:.2f} 米")
print(f"B队防线平均间距: {avg_gap_b:.2f} 米")
# 配合默契还看“同步性”：计算相邻后卫距离的方差
std_a = dist_a[np.triu_indices(4, k=1)].std()
std_b = dist_b[np.triu_indices(4, k=1)].std()
print(f"A队防线间距波动(标准差): {std_a:.2f}")
print(f"B队防线间距波动(标准差): {std_b:.2f}")
# 可视化
fig, axes = plt.subplots(1, 2, figsize=(10, 5))
for ax, coords, team in zip(axes, [coords_a, coords_b], ['Team A (默契)', 'Team B (生疏)']):
    ax.scatter(coords[:, 0], coords[:, 1], s=100, c='red')
    ax.set_title(team)
    ax.set_xlim(0, 100)
    ax.set_ylim(0, 100)
    ax.invert_yaxis() # 让y轴朝上（足球场视角）
plt.tight_layout()
plt.show()

基于“协防网络”图论分析（最高阶）

适用场景：拥有逐场逐次防守成功（抢断、解围）的Pass/Event数据，明确知道哪两名后卫共同参与了同一次防守（抢断后传递给队友解围、两人包夹）。

核心逻辑：将后卫视为节点（Node），如果两人在1个赛季中有超过N次直接协防配合，就在两人之间连一条线。默契度 = 网络密度（实际连线数量 / 最大可能连线数量）。

import networkx as nx
# 模拟A队赛季中，“后卫i”与“后卫j”共同参与防守（拦截、解围、夹击）的次数
pairs_a = [('A1', 'A2'), ('A1', 'A2'), ('A1', 'A2'), ('A2', 'A3'), ('A3', 'A4')] # 极度依赖A1-A2组合
pairs_b = [('B1', 'B2'), ('B1', 'B2'), ('B2', 'B3'), ('B3', 'B4'), ('B4', 'B1'), ('B2', 'B4')] # 互动更广泛
G_a = nx.Graph()
G_b = nx.Graph()
G_a.add_edges_from(pairs_a)
G_b.add_edges_from(pairs_b)
# 计算网络密度：实际连线数 / 理论最大连线数（n(n-1)/2）
density_a = nx.density(G_a)
density_b = nx.density(G_b)
print(f"球队A后防协作网络密度: {density_a:.2f}")
print(f"球队B后防协作网络密度: {density_b:.2f}")
print(">> 密度越大，代表后防线上人人参与协防，没有明显的防守盲区，默契度评分越高。")
# 也可以计算平均相速度（连接的两个节点共同出场的频率标准差）

如何选择？

最重要的提醒：任何单一指标都不能完全代表默契度，建议将方案一（基础统计）作为筛选工具，找到差异大的比赛，然后用方案二或三去定向回看录像验证逻辑是否正确，在代码中加入 print() 输出关键指标的逻辑是最重要的。