python案例如何量化防守反击的效率值？

量化防守反击效率值的 Python 案例

防守反击（Counter-Attack）是足球、篮球等运动中重要的战术，下面我用足球为例，给出一个完整可运行的 Python 方案。

指标设计思路

防守反击效率 = 从抢断/拦截到射门的转化能力

核心公式：

反击效率值 = (反击形成的射门数 × 射门质量权重) / 反击发起次数 × 100

扩展维度：

完整 Python 案例

准备数据（模拟一次比赛的反击事件）

import pandas as pd
import numpy as np
# 模拟一支球队的所有反击事件
data = [
    # 反击ID, 起始方式, 起始时间(s), 射门时间(s), 推进距离(m), 传球数, xG, 是否射正, 是否进球
    [1, "抢断", 120, 128, 45, 3, 0.15, 1, 0],
    [2, "拦截", 300, 305, 30, 2, 0.08, 0, 0],
    [3, "抢断", 540, 549, 60, 4, 0.35, 1, 1],
    [4, "解围", 700, 703, 20, 1, 0.05, 0, 0],
    [5, "抢断", 900, 908, 55, 3, 0.22, 1, 0],
    [6, "拦截", 1100, 1112, 70, 5, 0.40, 1, 1],
    [7, "抢断", 1300, 1302, 15, 1, 0.03, 0, 0],
    [8, "抢断", 1500, 1512, 50, 4, 0.28, 1, 0],
]
df = pd.DataFrame(data, columns=[
    "id", "start_type", "start_time", "shot_time",
    "distance", "passes", "xG", "on_target", "goal"
])
# 派生：反击耗时
df["duration"] = df["shot_time"] - df["start_time"]
print(df)

归一化 + 计算效率值

def minmax(series):
    return (series - series.min()) / (series.max() - series.min() + 1e-9)
# 速度分：耗时越短越好，用反向归一化
df["speed_score"] = 1 - minmax(df["duration"])
# 推进分：距离和传球综合
df["progress_score"] = 0.6 * minmax(df["distance"]) + 0.4 * minmax(df["passes"])
# 质量分：xG
df["quality_score"] = minmax(df["xG"])
# 结果分：进球>射正>无
df["result_score"] = df["goal"] * 1.0 + df["on_target"] * 0.5
# 综合单次反击效率（加权）
W = {
    "quality_score": 0.4,
    "speed_score":   0.2,
    "progress_score":0.25,
    "result_score":  0.15,
}
df["efficiency"] = sum(df[k] * w for k, w in W.items()) * 100
print(df[["id", "duration", "xG", "efficiency"]])

球队整体反击效率

def team_counter_efficiency(df, w=None):
    """
    球队整体反击效率：
    = 平均单次效率 × 转化率因子
    转化率因子 = (射正率*0.5 + 进球率*0.5 + 1)
    """
    avg_eff = df["efficiency"].mean()
    on_target_rate = df["on_target"].mean()
    goal_rate = df["goal"].mean()
    conversion = 1 + on_target_rate * 0.5 + goal_rate * 0.5
    total = avg_eff * conversion
    return {
        "反击次数": len(df),
        "平均单次效率": round(avg_eff, 2),
        "射正率": f"{on_target_rate:.0%}",
        "进球率": f"{goal_rate:.0%}",
        "综合反击效率值": round(total, 2),
    }
result = team_counter_efficiency(df)
print(result)

输出示例：

{'反击次数': 8, '平均单次效率': 38.76, '射正率': 62%, '进球率': 25%, '综合反击效率值': 56.19}

进阶：对比两支球队

# 假设还有对手数据（略）
# 用雷达图直观对比
import matplotlib.pyplot as plt
labels = ["反击效率", "射正率", "进球率", "平均速度", "推进能力"]
team_a = [56.2, 62, 25, 78, 65]
team_b = [41.5, 45, 12, 60, 55]
angles = np.linspace(0, 2*np.pi, len(labels), endpoint=False).tolist()
angles += angles[:1]
team_a += team_a[:1]
team_b += team_b[:1]
fig, ax = plt.subplots(figsize=(6,6), subplot_kw=dict(polar=True))
ax.plot(angles, team_a, label="主队", linewidth=2)
ax.fill(angles, team_a, alpha=0.25)
ax.plot(angles, team_b, label="客队", linewidth=2)
ax.fill(angles, team_b, alpha=0.25)
ax.set_xticks(angles[:-1]); ax.set_xticklabels(labels)
ax.legend(loc="upper right")"防守反击效率对比")
plt.show()

关键设计要点

1. 起点定义要统一：抢断、拦截、解围、门将发球都可作为反击起点，需事先约定。
2. 时间窗口：一般 15 秒内形成射门才算"反击"，超过则归为阵地战。
3. 权重可调：根据战术风格调整，比如速度快权重高。
4. 归一化避免量纲差异：xG(0~1)、距离(0~100m)、时间(秒) 必须归一化。
5. 样本量：单场数据波动大，建议用赛季累计数据。

真实数据接入建议

• StatsBomb Open Data：免费，含事件级坐标和时间

  from statsbombpy import sb
  events = sb.events(match_id=3788741)

• FBref：有 xG、射门等统计
• WhoScored / Opta：商业化数据

如果你有具体的数据结构（StatsBomb 格式）或想用于篮球/电竞场景，我可以把代码改成对应版本。