本文目录导读：
- 方案一：基于光学追踪数据的专业级统计（如StatsBomb、Wyscout导出的JSON/CSV）
- 方案二：基于可视化追踪的“影像观察”脚本（OpenCV/半自动标注）
- 方案三：手写统计的“快捷筛选”脚本（Excel/VBA或Python命令行）
- 关于“精准度”的延伸思考
统计“斜长传精准度”的实用脚本，需要先根据你的需求明确“精准”的定义，然后确定数据来源。
斜长传（通常指对角线长传或边路大范围转移）的精准度评估比普通传球复杂，因为它涉及传球意图和接球难度，以下我提供三种不同场景的实用脚本方案：
基于光学追踪数据的专业级统计（如StatsBomb、Wyscout导出的JSON/CSV）
这是足球分析中最常见的场景,如果你是数据分析师，拥有比赛事件数据，脚本的核心逻辑是解析传球事件，过滤出斜长传，并判断是否成功。
核心算法逻辑（Python伪代码）：
import pandas as pd
import numpy as np
def calculate_diagonal_longball_accuracy(events_df):
"""
events_df: 包含传球事件的DataFrame，需包含：
- x, y (起始坐标，通常0-100或0-120)
- end_x, end_y (结束坐标)
- pass_type (普通/长传/斜长传)
- pass_outcome (accurate/inaccurate/out)
-
斜长传定义（自定义阈值）：
- 距离 > 30米
- 传球路线与水平线的夹角在 20° ~ 70° 之间（排除顺下底和纯直塞）
"""
# 基础过滤：只保留长传或斜长传，排除纯直塞
df = events_df.copy()
df['distance'] = np.sqrt((df['x'] - df['end_x'])**2 + (df['y'] - df['end_y'])**2)
# 计算向量角度（弧度转角度），0°为水平方向，90°为垂直向上
dx = df['end_x'] - df['x']
dy = df['end_y'] - df['y']
df['angle'] = np.abs(np.degrees(np.arctan2(dy, dx)))
# 处理负值（向左传球时角度可能为负）
df['angle_normalized'] = df['angle'].apply(lambda a: a if a <= 90 else 180 - a)
# 筛选“斜长传”：距离远 + 非纯直塞（角度在15°~70°之间）
long_balls = df[(df['distance'] > 30) & (df['angle_normalized'] >= 15) & (df['angle_normalized'] <= 75)]
# 统计成功率（如果outcome为'accurate'或'pass_complete'，则算成功）
if 'pass_outcome' in long_balls.columns:
successful = long_balls[long_balls['pass_outcome'] == 'accurate']
else:
successful = long_balls[long_balls['is_complete'] == True]
accuracy = len(successful) / len(long_balls) if len(long_balls) > 0 else 0
return len(long_balls), accuracy, successful, long_balls
基于可视化追踪的“影像观察”脚本（OpenCV/半自动标注）
如果你没有数据提供方,只有比赛录像，想通过视频判断，可以写一个脚本辅助人工标注（不推荐纯AI识别，难度太大），但可以做一个半自动辅助工具：
- 设定场地区域（识别门线和边线）。
- 点击传球起点和落点（脚本记录像素坐标）。
- 脚本自动计算距离（按球场比例换算成米）并判断是否为“斜长传”（通过两点间的坐标差比例判断）。
- 手动标记接球是否完美（停球后能做出下一步动作）。
这个脚本更像是一个辅助人工打标签的工具，因为精准度最终还需要人眼判断接球质量。
手写统计的“快捷筛选”脚本（Excel/VBA或Python命令行）
如果你没有复杂数据,只是通过观看比赛手记一些数据，想要快速算百分比，可以用Python写一个CLI小工具：
def input_statistics():
"""命令行交互式输入统计"""
attempts = []
while True:
attempt_input = input("输入一次斜长传结果（格式：'Y'成功/'N'失败/'Q'结束）: ").upper()
if attempt_input == 'Q':
break
if attempt_input in ['Y', 'N']:
attempts.append(attempt_input)
else:
print("输入无效，请重新输入")
total = len(attempts)
if total == 0:
print("没有数据")
return
success = attempts.count('Y')
accuracy = success / total * 100
print("-" * 30)
print(f"总尝试次数: {total}")
print(f"成功次数: {success}")
print(f"精准度: {accuracy:.1f}%")
精准度”的延伸思考
核心痛点：什么叫“精准”？
在足球领域,斜长传精准度不仅仅是“球传到了队友脚下”，还包含“传球是否有意图且让队友好处理”。
- 简单精准度： 落点找到队友 = 精准。
- 高级精准度（如StatsBomb的xT模型）： 传球是否穿透了防线、是否增加了球队预期威胁，甚至可以参考“接球后队友是否创造射门”。
如果你想写一个有专业价值的脚本，我建议加入以下维度来加权计算：
- 落点成功率（基础）。
- 防守球员被甩开百分比（传球是否制造了空间）。
- 接球后持续控球率（队友能否在压力下转身）。
你需要哪种具体环境下的脚本？
你可以告诉我你的数据格式（比如是数据库的x,y,end_x,end_y列，还是Opta的原始XML，或是单纯的Excel手动记录），我可以帮你写一个更精确排错的完整代码，如果你需要推荐合适的统计阈值（如多远的距离算长传？多少角度算“斜”？），我也可以根据足球数据特征给你建议。
