实用脚本统计挑球过人次数多不多？

wen 实用脚本 2026-10-22 1

足球比赛中"挑球过人"次数的统计脚本

你想统计挑球过人（彩虹过人/挑球过顶）的次数，这个需求在足球数据分析里比较特殊，因为它是事件级统计而非累计指标,下面给你一套可落地的脚本方案。

实用脚本统计挑球过人次数多不多？

先明确"挑球过人"的定义（关键）

统计前必须定义清楚,否则数字没意义：

要素	建议标准
动作	用脚/身体将球挑起越过防守球员头顶
成功判定	挑球后自己或队友重新控球
范围	是否含彩虹过人(rainbow flick)？建议分开计
场景	是否含定位球、边线球？建议只算运动战

数据源方案

# 方案A：StatsBomb 开放数据（免费，含事件坐标）
# pip install statsbombpy
from statsbombpy import sb
matches = sb.matches(competition_id=11, season_id=90)  # 西甲某赛季
events = sb.events(match_id=matches.iloc[0]['match_id'])

# 方案B：自己标注（用视频+时间戳手动记录）
# 方案C：商用API（Opta/Wyscout）——有"skill"类事件但挑球标签不统一

核心统计脚本

import pandas as pd
def count_chip_dribbles(events_df):
    """
    统计挑球过人次数
    思路：找 'Dribble' 事件中带 'Nutmeg'/'Over' 标签的，
    或通过传球/带球的 y 坐标突变识别挑球
    """
    # 1. 筛带球事件
    dribbles = events_df[events_df['type'] == 'Dribble'].copy()
    # 2. 若数据源有子类型/标签
    if 'dribble_outcome' in dribbles.columns:
        successful = dribbles[dribbles['dribble_outcome'] == 'Complete']
    else:
        successful = dribbles
    # 3. 识别"挑球"——无统一标签时用启发式：
    #    球起点到终点垂直距离大 + 水平距离小 = 高抛
    def is_chip(row):
        try:
            start = row['location']
            end = row['dribble_end_location']
            dx = abs(end[0] - start[0])
            dy = abs(end[1] - start[1])
            # 挑球特征：纵向位移大、横向位移小（越过人）
            return dy > 15 and dx < 8
        except (TypeError, KeyError):
            return False
    chips = successful[successful.apply(is_chip, axis=1)]
    return {
        'total_dribbles': len(successful),
        'chip_dribbles': len(chips),
        'chip_rate': len(chips) / max(len(successful), 1)
    }
result = count_chip_dribbles(events)
print(f"挑球过人 {result['chip_dribbles']} 次 / 总过人 {result['total_dribbles']} 次，占比 {result['chip_rate']:.1%}")

"次数多不多"——需要参照系

单看数字无法判断,建议对比：

# 横向对比：该球员 vs 联赛同位置平均
benchmark = events.groupby('player')['chip_count'].agg(['sum','count'])
league_avg = benchmark['sum'].mean()
player_chips = result['chip_dribbles']
print(f"该球员挑球 {player_chips} 次，联赛场均 {league_avg:.2f} 次")
print("偏多" if player_chips > league_avg * 1.5 else "正常/偏少")

经验参考值（业余/职业差异大）：