实用脚本怎么看两队边路突破能力对比？

如何用数据脚本对比两队边路突破能力

想看两队边路突破能力对比,核心是把“边路突破”拆成可量化的指标，再用脚本抓取/计算，下面给一套实用思路和示例代码。

先定义指标（拆解“边路突破能力”）

关键：用事件数据的坐标把“边路”筛出来（一般 x 靠近边线、y 在两侧区域），再统计过人/传中事件。

脚本实现思路（Python 示例）

用 StatsBomb 开放数据（免费）做事件筛选

import pandas as pd
from statsbombpy import sb
# 取一场比赛事件
events = sb.events(match_id=3788741)  # 示例 match_id
# 筛选过人事件，并按坐标判断是否在边路
def is_wide(loc, pitch_width=80, wide_ratio=0.25):
    if not isinstance(loc, list): return False
    y = loc[1]
    return y < pitch_width*wide_ratio or y > pitch_width*(1-wide_ratio)
dribbles = events[events['type'] == 'Dribble'].copy()
dribbles['wide'] = dribbles['location'].apply(is_wide)
dribbles['success'] = dribbles['dribble_outcome'] == 'Complete'
# 按球队汇总边路突破
summary = dribbles[dribbles['wide']].groupby('team').agg(
    wide_dribbles=('success', 'size'),
    wide_success=('success', 'sum'),
    success_rate=('success', 'mean')
).reset_index()
print(summary)

加传中与推进，形成“边路突破综合评分”

# 传中事件（Cross）
crosses = events[events['type'] == 'Pass']
crosses = crosses[crosses['pass_type'] == 'Cross']
crosses['wide'] = crosses['location'].apply(is_wide)
cross_summary = crosses[crosses['wide']].groupby('team').agg(
    wide_crosses=('id', 'size')
).reset_index()
# 合并
final = summary.merge(cross_summary, on='team', how='left').fillna(0)
# 简单加权评分（可按需调整权重）
final['wide_break_score'] = (
    final['wide_success']*1.0 +
    final['wide_crosses']*0.5 +
    final['success_rate']*10
)
print(final.sort_values('wide_break_score', ascending=False))

可视化对比

import matplotlib.pyplot as plt
fig, ax = plt.subplots(1, 3, figsize=(12,4))
for i, col in enumerate(['wide_success','wide_crosses','success_rate']):
    final.plot.bar(x='team', y=col, ax=ax[i], legend=False)
    ax[i].set_title(col)
plt.tight_layout()
plt.show()

实操要点

1. 坐标要归一化：不同数据源场地尺寸不同（StatsBomb 120×80，Opta 100×100），先统一再判边路。
2. 区分左右边：可按 y 值再拆 left/right，看球队是否偏一侧突破。
3. 样本量：单场噪声大，建议按赛季或近 N 场聚合，用每90分钟标准化。
4. 成功率要加样本门槛：过人次数太少时成功率不可靠，可设 min_dribbles >= 20。
5. 数据源选择：
   • 免费：StatsBomb 开放数据、FBref（部分）
   • 付费：Opta、Wyscout、StatsBomb 全量
6. 权重可调：突破量 vs 效率 vs 威胁产出，按你关注点调评分公式，避免“拍脑袋”。

一句话总结

脚本 = 事件数据筛边路坐标 → 统计过人/传中量与成功率 → 加权评分 → 可视化对比，先把指标定义清楚，脚本只是流水线，权重和边路阈值才是分析质量的关键。

需要的话我可以帮你写一个适配具体数据源（Opta/Wyscout/FBref CSV）的完整脚本模板。