python案例如何结合xGA评估防守表现？

wen python案例 2026-09-06 2

Python案例：如何结合xGA评估防守表现——从数据清洗到可视化全流程解析

目录导读

xGA是什么？为什么防守评估必须用它？
数据准备：从StatsBomb/FBref获取高质量事件数据
Python实战：xGA模型构建核心逻辑（含代码）
防守表现评估框架：超越“丢球数”的四个维度
可视化与报告：用雷达图+时间序列讲清防守故事
常见问题QA：xGA计算中的陷阱与规避

xGA是什么？为什么防守评估必须用它？

xGA（Expected Goals Against，预期失球）是衡量防守质量的核心进阶指标，它通过场上射门位置、角度、助攻方式、防守压力等变量，计算每次射门的进球概率，累计后得到“一支球队本应丢多少球”的基准值。

python案例如何结合xGA评估防守表现？

为什么传统“失球数”不够用？

失球数受随机性影响大（门将神扑 vs 对方打飞）。
无视射门质量——对手30米远射和单刀都被记为“1次丢球”。
无法区分后卫线与门将的单独贡献。

xGA的核心洞察：
若球队实际失球（GA）远高于xGA，说明防守存在结构性漏洞（如禁区内漏人）或门将状态低迷；反之则可能防守韧性极强或运气极佳。

数据准备：从StatsBomb/FBref获取高质量事件数据

评估防守,最理想的是带坐标的事件流数据。
推荐免费API：StatsBomb开放数据（含英超、西甲、女足世界杯等），或使用worldfootballR包回调FBref的进阶防守统计。

数据字段必须包含：

shot.outcome（进球/扑救/被封堵/射偏）
location（射门坐标，以球门中心为原点）
under_pressure（是否受压迫）
assist_type（直塞/传中/定位球）
防守方事件（拦截、抢断、解围、犯规区域）

用Python拉取StatsBomb示例：

import pandas as pd
from statsbombpy import sb
# 拉取2020欧洲杯比赛事件
df = sb.events(match_id=3788741)  # 替换为真实比赛ID
shots = df[(df['type']=='Shot') & (df['shot']['type']=='Open Play')]

Python实战：xGA模型构建核心逻辑

1 特征工程（防守视角的关键变量）

目标变量：射门是否转化为进球（1/0）。
特征建议：

射门距离球门中心（hypot(dx, dy)）
射门角度（atan2(y, x)）
射门部位（脚/头）
是否受压迫（1或0）
进攻方式（运动战/定位球/反击）

2 训练XGBoost模型（代码精简版）

from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import log_loss
# 已清洗的shots_df包含['distance','angle','pressure','header']
X = shots_df[['distance','angle','pressure','header']]
y = shots_df['goal']
# 用Logistic回归作为baseline
from sklearn.linear_model import LogisticRegression
lr = LogisticRegression().fit(X, y)
# 用XGBoost提升非线性拟合能力
xgb = XGBClassifier(n_estimators=300, max_depth=3, eta=0.05)
xgb.fit(X, y)
# 预测每脚射门的xG值
shots_df['xG'] = xgb.predict_proba(X)[:,1]

3 球队xGA聚合

按每场比赛的对手射门事件,分别加总射门方的xG，即为该队的xGA：

xga_table = shots_df.groupby(['match_id','defending_team'])['xG'].sum()

防守表现评估框架：超越“丢球数”的四个维度

阻止射门产生（对应“xGA总量”）

联赛中高xGA并不全是坏事——如曼城xGA低但防线前提，需结合“对手射门数”分析。

限制射门质量（对应“平均射门xG值”）

用Python求：每场对手射门的平均xG，若低（如0.08），说明防守让对手只能远射或低角度进攻。

门将表现（GAA + PSxG差）

通过post_shot_xg（射门后的预期值）对比门将实际扑救：

# 统计门将的实际失球 vs 对方射门的xG总和
goalkeeper_diff = actual_goals_conceded - sum_opponent_xg

负数越大代表门将扑救超常。

防守韧性（高xGA比赛中的抢分能力）

用Python计算“高xGA（>1.5）比赛的拿分率”，评估逆风防守时的战术执行成功率。

可视化与报告：用雷达图+时间序列讲清防守故事

1 雷达图对比球队防守维度（示例）

制作雷达图核心代码：

import plotly.express as px
# 假设包含: 场均xGA, 对手射门数, 对手平均射门xG, 高威胁球比例, 门将扑救率
fig = px.line_polar(data, r=values, theta=labels, line_close=True)

2 时间序列：xGA vs 实际失球随比赛轮次变化

import matplotlib.pyplot as plt
plt.plot(matchday, xga_per_match, label='xGA')
plt.plot(matchday, actual_goals, alpha=0.7, label='GA')
plt.axhline(0, color='grey', lw=0.8)