综合实用脚本，中卫组合默契度如何量化？

本文目录导读：

1. 核心思路
2. 可量化的维度与指标
3. 综合评分模型
4. 数据采集实操
5. 简化版快速脚本（Python伪代码）
6. 注意事项

中卫组合的默契度,本质上是一个难以直接观测的潜变量，下面从可操作的角度，给出一套从数据采集到综合评分的完整量化方案。

核心思路

默契度 = 协同行为的一致性 + 互补覆盖的效率 + 历史稳定性

不能只看抢断/解围数，而要关注两人之间的交互质量。

可量化的维度与指标

空间协同（站位互补）

理想区间（以球场宽度归一化）：

• 平均间距：8–12 m
• 间距标准差 < 3 m
• 覆盖重叠率：15%–30%

行为同步性

同步性得分 = w1·压迫同步 + w2·越位同步 + w3·回追同步 + w4·方向相关

互补效率（1+1>2）

互补指数：

CI = 补位成功次数 / (补位成功 + 补位失败)

结果稳定性

综合评分模型

加权公式

默契度 M = α·S_space + β·S_sync + γ·S_complement + δ·S_stable

推荐权重（可根据联赛风格调整）：

• α = 0.25（空间）
• β = 0.30（同步）
• γ = 0.30（互补）
• δ = 0.15（稳定）

各分项先做 Min-Max归一化 到 [0,1]。

分级参考

数据采集实操

数据源：

• 跟踪数据（StatsBomb / SkillCorner / Hawk-Eye）：坐标、速度向量
• 事件数据（Opta / Wyscout）：抢断、解围、犯规、失球
• 视频标注：补位、压迫、造越位

最小采样要求：

• 共同出场 ≥ 900 分钟（约10场）
• 每场至少 30 次防守交互事件

处理流程：

1. 对齐两人时间戳坐标
2. 计算逐帧空间指标
3. 检测防守事件窗口（±3秒）
4. 统计同步/互补事件
5. 归一化加权求和

简化版快速脚本（Python伪代码）

import numpy as np
import pandas as pd
def chemistry_score(df, w=(0.25,0.30,0.30,0.15)):
    # df: 每帧含 x1,y1,x2,y2, vx1,vy1,vx2,vy2
    dx = df.x1 - df.x2
    dy = df.y1 - df.y2
    dist = np.sqrt(dx**2 + dy**2)
    # 1. 空间
    s_space = 1 - (dist.std() / dist.mean())  # 间距稳定性
    # 2. 同步（速度方向余弦）
    cos = (df.vx1*df.vx2 + df.vy1*df.vy2) / (
        np.sqrt(df.vx1**2+df.vy1**2) * np.sqrt(df.vx2**2+df.vy2**2) + 1e-6)
    s_sync = np.clip(cos.mean(), 0, 1)
    # 3. 互补（需事件数据）
    s_comp = df.press_sync.mean()  # 压迫同步率
    # 4. 稳定（零封率等）
    s_stable = df.clean_sheet_rate
    return w[0]*s_space + w[1]*s_sync + w[2]*s_comp + w[3]*s_stable

注意事项

1. 风格匹配：高位防线 vs 低位防守，理想间距不同
2. 样本偏差：强队中卫数据天然更好，需对手强度校正
3. 左右脚/身高互补：可作为先验特征加入
4. 时间衰减：近期比赛权重更高（指数衰减）
5. 可视化辅助：热区叠加图 + 连线图最直观

一句话总结：默契度 = 空间不脱节 + 行动同频 + 补位有效 + 长期稳定，用跟踪数据算交互指标，加权合成一个0–1的分数即可落地。