综合python案例，中卫组合默契度如何量化？

wen python案例 2026-10-21 2

综合Python案例：中卫组合默契度如何量化？

目录导读

引言：为什么中卫默契度值得量化
默契度的核心维度拆解
Python实战案例一：传球网络与协同效率计算
Python实战案例二：防守覆盖重叠度与补位时序分析
Python实战案例三：压力场景下的决策一致性评分
综合评分模型：把三个维度合成一个默契指数
常见问题问答（FAQ）
从数据到训练的落地建议

为什么中卫默契度值得量化

中卫组合的默契度长期停留在“看着顺眼”“配合多年”的模糊评价上，但在现代足球分析中，默契度本质上是两名球员在时间与空间上的协同决策质量，它可以通过事件数据、追踪数据与传球网络被拆解为可计算的指标，本文用三个综合Python案例，把“默契”从感觉变成分数：传球协同效率、防守覆盖重叠度、压力下决策一致性，最后合成一个0—100的默契指数，所有代码均基于公开事件数据字段设计，可直接套用到StatsBomb、Wyscout或自建标注数据上。

综合python案例，中卫组合默契度如何量化？

默契度的核心维度拆解

量化默契度，先要定义它由什么构成,本文采用三维框架：

协同效率：两人之间的传球成功率、推进贡献、接球后向前比例，反映“配合是否顺畅”。
覆盖互补：防守热区的重叠与互补程度、补位时间差，反映“是否互相补台”。
决策一致性：在高压逼抢、快速反击等场景下，两人的出球选择、上抢时机是否同步。

这三个维度分别对应“有球协同”“无球协同”“压力协同”,覆盖了中卫组合的主要工作场景。

Python实战案例一：传球网络与协同效率计算

思路：把两人之间的传球视为有向边，统计互传频次、成功率、推进距离，再与全队平均做对比，得到“协同效率分”。

import pandas as pd
import numpy as np
def pair_passing_score(events, cb1, cb2):
    # events: 含 passer, receiver, pass_outcome, start_x, end_x, team
    df = events[(events['passer'].isin([cb1, cb2])) &
                (events['receiver'].isin([cb1, cb2]))].copy()
    df = df[df['passer'] != df['receiver']]
    total = len(df)
    if total == 0:
        return 0.0
    success = df['pass_outcome'].isna().mean()
    forward = ((df['end_x'] - df['start_x']) > 5).mean()
    # 互传均衡度：两人互相传球比例越接近50%，默契越好
    c1_to_c2 = len(df[df['passer'] == cb1])
    balance = 1 - abs(c1_to_c2 / total - 0.5) * 2
    score = 100 * (0.5 * success + 0.3 * forward + 0.2 * balance)
    return round(score, 1)
# 示例调用
# score = pair_passing_score(events, 'CB_A', 'CB_B')

关键点：balance项惩罚“一人单向出球、另一人只接球”的不对等关系；forward项鼓励向前传递而非横向倒脚，该分数在0—100之间,60分以上可视为协同顺畅。

Python实战案例二：防守覆盖重叠度与补位时序分析

思路：用防守动作坐标构建两人各自的覆盖热区网格，计算重叠率与互补率；再用时间序列计算“一人上抢后另一人回补”的平均时间差。

from scipy.spatial import cKDTree
def coverage_overlap(def_events, cb1, cb2, grid=12):
    def heat(player):
        pts = def_events[def_events['player'] == player][['x', 'y']].values
        h, _, _ = np.histogram2d(pts[:,0], pts[:,1], bins=grid,
                                 range=[[0,120],[0,80]])
        return h / (h.sum() + 1e-9)
    h1, h2 = heat(cb1), heat(cb2)
    overlap = np.minimum(h1, h2).sum()      # 重叠比例
    complement = 1 - np.abs(h1 - h2).sum() / 2  # 互补程度
    return round(100 * (0.4 * overlap + 0.6 * complement), 1)
def recovery_delay(events, cb1, cb2):
    # 简化：统计cb1防守动作后3秒内cb2是否出现防守动作
    t1 = events[(events['player']==cb1) & (events['type']=='defense')]['time'].values
    t2 = events[(events['player']==cb2) & (events['type']=='defense')]['time'].values
    if len(t1)==0 or len(t2)==0:
        return None
    delays = [t2[t2>t].min()-t if len(t2[t2>t]) else np.nan for t in t1]
    return round(np.nanmean(delays), 2)

解读：重叠率过高说明两人站位重复、浪费人力；互补率高说明覆盖分工清晰，理想状态是互补率高于重叠率，且补位延迟在1.5秒以内。

Python实战案例三：压力场景下的决策一致性评分

思路：筛出“对方高位逼抢”与“快速反击”两类高压事件，比较两人在同类场景下的出球方向分布与上抢选择,用余弦相似度衡量一致性。

from sklearn.metrics.pairwise import cosine_similarity
def decision_consistency(events, cb1, cb2):
    pressure = events[events['under_pressure'] == True]
    def profile(player):
        sub = pressure[pressure['player'] == player]
        if len(sub) == 0:
            return None
        dirs = pd.cut(sub['end_x'] - sub['start_x'],
                      bins=[-100, 0, 15, 100], labels=['back','side','fwd'])
        return dirs.value_counts(normalize=True).reindex(
            ['back','side','fwd']).fillna(0).values
    p1, p2 = profile(cb1), profile(cb2)
    if p1 is None or p2 is None:
        return 50.0
    sim = cosine_similarity([p1], [p2])[0][0]
    return round(100 * sim, 1)

该指标不追求两人风格相同，而是衡量在压力下是否形成可预期的分工：一致性过低说明一人冒险前传、一人保守回传,容易被针对。

综合评分模型：把三个维度合成一个默契指数

def partnership_index(events, def_events, cb1, cb2):
    s1 = pair_passing_score(events, cb1, cb2)
    s2 = coverage_overlap(def_events, cb1, cb2)
    s3 = decision_consistency(events, cb1, cb2)
    return round(0.35*s1 + 0.35*s2 + 0.30*s3, 1)
# 输出示例：Partnership Index = 74.6

权重可按联赛风格调整：控球型球队提高传球权重，防守反击型提高覆盖与决策权重，建议用至少10场比赛样本,避免单场噪声。