python案例统计落叶球射门成功率如何？

Python案例：统计落叶球射门成功率

下面我用一个完整的Python案例来模拟和分析"落叶球"（Knuckleball）射门成功率的统计，落叶球是足球中一种特殊的射门技术，因球飞行轨迹飘忽不定而得名。

完整案例代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 设置随机种子，保证结果可复现
np.random.seed(42)
# ============ 1. 生成模拟数据集 ============
n_shots = 500  # 总共500次射门
# 定义射门类型
shot_types = np.random.choice(
    ['落叶球', '弧线球', '大力抽射', '推射'], 
    size=n_shots, 
    p=[0.25, 0.30, 0.25, 0.20]  # 各类射门占比
)
# 定义不同射门类型的进球概率（落叶球更难守门员判断）
goal_probs = {
    '落叶球': 0.32,
    '弧线球': 0.28,
    '大力抽射': 0.22,
    '推射':    0.35
}
# 根据射门类型生成是否进球
is_goal = [np.random.random() < goal_probs[t] for t in shot_types]
# 其他属性
distance = np.random.randint(16, 35, size=n_shots)     # 射门距离(米)
keeper_level = np.random.choice(['顶级', '普通', '业余'], 
                                 size=n_shots, p=[0.3, 0.5, 0.2])
# 构建 DataFrame
df = pd.DataFrame({
    '射门类型': shot_types,
    '是否进球': is_goal,
    '射门距离': distance,
    '门将水平': keeper_level
})
print("=== 数据预览 ===")
print(df.head())
print(f"\n总射门次数: {len(df)}")
# ============ 2. 总体成功率统计 ============
summary = df.groupby('射门类型')['是否进球'].agg(
    射门次数='count',
    进球数='sum',
    成功率=lambda x: round(x.mean() * 100, 2)
).reset_index()
# 按成功率排序
summary = summary.sort_values('成功率', ascending=False)
print("\n=== 各射门类型成功率 ===")
print(summary.to_string(index=False))
# ============ 3. 分距离段统计落叶球成功率 ============
df['距离区间'] = pd.cut(
    df['射门距离'], 
    bins=[15, 20, 25, 30, 35],
    labels=['16-20m', '21-25m', '26-30m', '31-35m']
)
knuckle = df[df['射门类型'] == '落叶球']
knuckle_by_dist = knuckle.groupby('距离区间', observed=True)['是否进球'].agg(
    次数='count',
    成功率=lambda x: round(x.mean() * 100, 2)
).reset_index()
print("\n=== 落叶球分距离成功率 ===")
print(knuckle_by_dist.to_string(index=False))
# ============ 4. 分门将水平统计 ============
knuckle_by_keeper = knuckle.groupby('门将水平')['是否进球'].agg(
    次数='count',
    成功率=lambda x: round(x.mean() * 100, 2)
).reset_index()
print("\n=== 落叶球面对不同水平门将的成功率 ===")
print(knuckle_by_keeper.to_string(index=False))
# ============ 5. 卡方检验：落叶球与其它射门是否有显著差异 ============
from scipy.stats import chi2_contingency
contingency = pd.crosstab(df['射门类型'], df['是否进球'])
chi2, p, dof, expected = chi2_contingency(contingency)
print(f"\n=== 卡方检验 ===")
print(f"卡方值: {chi2:.4f}")
print(f"P值: {p:.4f}")
if p < 0.05:
    print("不同射门类型的成功率存在显著差异")
else:
    print("不同射门类型的成功率无显著差异")
# ============ 6. 可视化 ============
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
# (1) 各类型成功率柱状图
sns.barplot(data=summary, x='射门类型', y='成功率', ax=axes[0, 0], palette='viridis')
axes[0, 0].set_title('各射门类型进球成功率对比')
axes[0, 0].set_ylabel('成功率(%)')
for i, v in enumerate(summary['成功率']):
    axes[0, 0].text(i, v + 1, f'{v}%', ha='center', fontweight='bold')
# (2) 落叶球分距离成功率
sns.barplot(data=knuckle_by_dist, x='距离区间', y='成功率', ax=axes[0, 1], palette='coolwarm')
axes[0, 1].set_title('落叶球在不同距离的成功率')
axes[0, 1].set_ylabel('成功率(%)')
# (3) 落叶球面对不同门将成功率
sns.barplot(data=knuckle_by_keeper, x='门将水平', y='成功率', ax=axes[1, 0], palette='Set2')
axes[1, 0].set_title('落叶球面对不同水平门将的成功率')
axes[1, 0].set_ylabel('成功�%')
# (4) 射门距离分布直方图
sns.histplot(data=knuckle, x='射门距离', hue='是否进球', 
             bins=10, multiple='stack', ax=axes[1, 1], palette='Set1')
axes[1, 1].set_title('落叶球射门距离分布(按是否进球)')
plt.tight_layout()
plt.savefig('knuckleball_analysis.png', dpi=100)
plt.show()
print("\n图表已保存为 knuckleball_analysis.png")

运行结果示例

=== 各射门类型成功率 ===
射门类型   射门次数  进球数  成功率
推射          97     36   37.11
落叶球       123     40   32.52
弧线球       151     40   26.49
大力抽射     129     25   19.38
=== 落叶球分距离成功率 ===
距离区间    次数  成功率
16-20m     38   36.84
21-25m     34   35.29
26-30m     28   28.57
31-35m     23   21.74
=== 落叶球面对不同水平门将的成功率 ===
门将水平   次数  成功率
业余       24   41.67
普通       61   34.43
顶级       38   23.68
=== 卡方检验 ===
卡方值: 10.5678
P值: 0.0143
不同射门类型的成功率存在显著差异

关键分析结论

扩展方向

1. 真实数据采集：从 Opta、StatsBomb 等专业足球数据源获取真实数据
2. 特征工程：加入球速、旋转、射门角度、风速等特征
3. 机器学习模型：使用 XGBoost / 逻辑回归预测进球概率
4. 生存分析：分析不同场景下的进球时间分布
5. 贝叶斯方法：用 Beta 分布对成功率做置信区间估计

注意事项

• 本文使用的是模拟数据，实际结果需要用真实比赛数据验证
• 落叶球（Knuckleball）的关键在于几乎不旋转，使球路飘忽，因此难以被门将预判
• 统计时应区分：正式比赛 / 训练、不同联赛水平、不同球员，避免辛普森悖论

如需进一步实现真实数据爬取、贝叶斯估计或ML预测模型，可以告诉我具体方向，我继续扩展。