python案例统计挑球过人次数多不多？

wen python案例 2026-10-23 2

篮球/足球"挑球过人"次数统计案例

我来给你一个完整的Python案例,统计比赛数据中"挑球过人"的次数并分析。

场景说明

假设我们有一份比赛事件日志（如足球比赛），每条记录包含球员、动作类型等，我们要统计挑球过人（chip/lob dribble）的次数，并判断"多不多"。

完整代码

import pandas as pd
from collections import Counter
# 1. 模拟一份比赛事件数据（也可以用 pd.read_csv 读取真实数据）
data = [
    {"player": "梅西",   "action": "挑球过人"},
    {"player": "梅西",   "action": "传球"},
    {"player": "梅西",   "action": "挑球过人"},
    {"player": "内马尔", "action": "挑球过人"},
    {"player": "内马尔", "action": "射门"},
    {"player": "姆巴佩", "action": "传球"},
    {"player": "姆巴佩", "action": "挑球过人"},
    {"player": "姆巴佩", "action": "挑球过人"},
    {"player": "姆巴佩", "action": "挑球过人"},
    {"player": "迪马利亚", "action": "抢断"},
]
df = pd.DataFrame(data)
# 2. 定义"挑球过人"的识别关键词
CHIP_KEYWORDS = ["挑球过人", "挑球", "chip", "lob"]
def is_chip_dribble(action: str) -> bool:
    return any(k in action.lower() for k in CHIP_KEYWORDS)
df["is_chip"] = df["action"].apply(is_chip_dribble)
# 3. 总体统计
total_actions = len(df)
chip_count = df["is_chip"].sum()
chip_ratio = chip_count / total_actions
print(f"总事件数：{total_actions}")
print(f"挑球过人次数：{chip_count}")
print(f"挑球过人占比：{chip_ratio:.2%}")
# 4. 按球员统计
player_chip = (
    df[df["is_chip"]]
    .groupby("player")
    .size()
    .sort_values(ascending=False)
)
print("\n各球员挑球过人次数：")
print(player_chip)
# 5. 判断"多不多"——设定阈值
THRESHOLD_COUNT = 3       # 单个球员超过3次算多
THRESHOLD_RATIO = 0.20    # 整体占比超过20%算多
print("\n--- 判定结果 ---")
if chip_ratio >= THRESHOLD_RATIO:
    print(f"整体挑球过人偏多（占比 {chip_ratio:.2%} ≥ {THRESHOLD_RATIO:.0%}）")
else:
    print(f"整体挑球过人偏少（占比 {chip_ratio:.2%} < {THRESHOLD_RATIO:.0%}）")
top_players = player_chip[player_chip >= THRESHOLD_COUNT]
if not top_players.empty:
    print(f"挑球过人次数较多的球员（≥{THRESHOLD_COUNT}次）：")
    for p, c in top_players.items():
        print(f"  - {p}: {c} 次")
else:
    print("没有球员挑球过人次数特别突出。")

运行结果

总事件数：10
挑球过人次数：6
挑球过人占比：60.00%
各球员挑球过人次数：
player
姆巴佩     3
梅西      2
内马尔     1
--- 判定结果 ---
整体挑球过人偏多（占比 60.00% ≥ 20%）
挑球过人次数较多的球员（≥3次）：
  - 姆巴佩: 3 次

关键设计点

要点	说明
关键词匹配	用 `any(k in action for k in keywords)` 兼容多种写法（中英文、简称）
占比判断	只看次数不够，用 `chip_count / total` 判断"密度"更合理
分球员统计	`groupby + size` 快速得出谁最突出
阈值判定	设两个阈值（绝对次数 + 相对占比），避免"次数多但总事件也多"的误判
可扩展	换成 `pd.read_csv("events.csv")` 即可接入真实数据

进阶：如果想更严谨

时间窗口：按半场/每15分钟统计，看是否集中爆发
成功率：如果数据里有"成功/失败"字段，统计挑球过人成功率
对比基准：跟联赛平均值比，而不是拍脑袋定阈值
可视化：

import matplotlib.pyplot as plt
player_chip.plot(kind="bar", title="各球员挑球过人次数")
plt.ylabel("次数")
plt.tight_layout()
plt.show()

需要我把它改成足球专项（带成功率） 还是篮球变向/背后运球的统计版本？告诉我你的数据字段，我可以直接适配。