根据python案例，进攻三区传球成功率？

wen python案例 2026-09-10 1

本文目录导读：

场景一：假设你有一个结构化的传球事件数据集（通用案例）
场景二：使用 StatsBomb 公开数据（最专业的案例）
补充：如果只是求一道算法题/函数题（Python逻辑）

在足球数据分析中,进攻三区（Final Third）传球成功率是衡量球队在对手半场最后30米区域创造机会、控制比赛能力的关键指标。

需要注意的是,标准的Python库（如pandas、numpy）本身并不包含足球数据，要计算这个指标，你需要数据源（例如StatsBomb、Opta、Kaggle数据集）以及相应的列名。

下面我提供两种最常见的Python实现场景：基于你已有的DataFrame（假设有事件数据） 和 基于StatsBomb公开数据（最经典的案例）。

假设你有一个结构化的传球事件数据集（通用案例）

假设你的DataFrame（df）包含以下列：

x：传球起始点的X坐标（0-100，从己方底线到对方底线）。
y：传球起始点的Y坐标（0-100）。
outcome：传球结果（Complete 或 Incomplete/Successful 或 Unsuccessful）。
team：球队名称。

计算逻辑： 进攻三区通常指对方球门前的最后30米，如果球场标准长度为100米（X轴0-100），那么X坐标大于70（即100-30=70）的区域即为进攻三区。

import pandas as pd
# 假设 df 是你的原始数据框
# df = pd.read_csv('your_passing_data.csv')
# 筛选成功/不成功的传球数据（请根据你的列名调整）
# 假设成功传球标记为 'Complete'
successful_passes = df[df['outcome'] == 'Complete']
total_passes = df # 所有尝试的传球
# 筛选在进攻三区（X坐标 > 70）的传球
final_third_successful = successful_passes[successful_passes['x'] > 70]
final_third_total = total_passes[total_passes['x'] > 70]
# 计算成功率（注意防止除零错误）
total_count = len(final_third_total)
success_count = len(final_third_successful)
if total_count > 0:
    success_rate = (success_count / total_count) * 100
    print(f"进攻三区传球总次数: {total_count}")
    print(f"进攻三区成功传球次数: {success_count}")
    print(f"进攻三区传球成功率: {success_rate:.2f}%")
else:
    print("该球队在进攻三区没有尝试传球。")
# --- 进阶：如果你需要按队伍（Team）分组计算 ---
# result = df[df['x'] > 70].groupby('team')['outcome'].agg(
#     total='count',
#     successful=lambda x: (x == 'Complete').sum()
# )
# result['success_rate'] = (result['successful'] / result['total']) * 100
# print(result)

使用 StatsBomb 公开数据（最专业的案例）

StatsBomb 提供了免费的公开数据集（如2020年欧洲杯、梅西生涯数据等），其坐标x的范围是0-120，并且数据以JSON格式存储。

核心难点： StatsBomb 的数据中，location字段是一个列表 [x， y]。

案例：分析某支球队的进攻三区传球成功率

import json
import pandas as pd
from pandas.io.json import json_normalize # 或者使用 pd.json_normalize
# 1. 加载数据（假设你下载了 match 和 events 的JSON）
# 这里以一个示例为简化，通常你需要先解析事件文件
with open('events.json', 'r') as f:
    events = json.load(f)
# 2. 使用 pd.json_normalize 将嵌套的JSON转换为DataFrame
df = pd.json_normalize(events, sep='_')
# 3. 筛选出传球事件
passes = df[df['type_name'] == 'Pass']
# 4. 提取传球起点坐标（StatsBomb的x坐标范围是0-120）
# 注意：反序列化后可能需要先处理缺失值
passes['start_x'] = passes['location'].apply(lambda x: x[0] if x is not None else None)
# 5. 定义进攻三区（120码/米的标准球场，最后20%为进攻三区，即120-24=96）
# 更精确的标准：最后30米是惯例，但StatsBomb通常用 x > 80 或 x > 96 可调整。
# 国际惯例中，如果球门在x=120，那么进攻三区为 x > 80 的区域（最后1/3）。
THRESHOLD = 80  # 或者 96/100，取决于分析口径
final_third_passes = passes[passes['start_x'] > THRESHOLD]
# 6. 计算成功率
# 传球成功与否在pass.outcome_name中，不成功会有'Incomplete'，如果成功则为空
# 策略：先统计总数，再统计没有“outcome”的即为成功。
attempts = len(final_third_passes)
successful = final_third_passes[final_third_passes['pass_outcome_name'].isna()] # 如果成功，outcome名称通常是NaN
success_rate = (len(successful) / attempts) * 100 if attempts > 0 else 0
print(f"StatsBomb数据 — 进攻三区传球次数: {attempts}")
print(f"StatsBomb数据 — 进攻三区成功率: {success_rate:.2f}%")

补充：如果只是求一道算法题/函数题（Python逻辑）

有时候这可能是一道面试或算法题,如果你已经有一个包含传球方向和结果的列表或元组，核心计算就是一个聚合求和：

# 假设你有一个列表 deff： [x坐标, 是否成功(1/0)]
data = [
    (75, 1),  # 成功
    (82, 0),  # 失败
    (69, 1),  # 未进三区（x<70），忽略
    (90, 1)
]
# 过滤进攻三区
final_third = [(x, y) for x, y in data if x > 70]
# 计算
total = len(final_third)
success = sum(y for x, y in final_third)
print(f"成功率: {success/total:.2%}")

坐标定义：进攻三区的判定完全取决于你的坐标范围。最常用的是 x > 70（如果球场长度为100）。
数据清洗：确保传球事件中包含了实际的传球起始点坐标。
分母分子：分子是成功传球次数，分母是所有尝试的传球次数（包括被断、失误），不包含定位球中的越位。

注意： 上述代码假设了列名，你需要根据实际下载的数据集调整列名（如type.id、location等），如果你有具体的CSV文件列头或具体数据集，请发给我，我可以为你精确调整代码。