实用脚本如何分析球员跑动热点图？

wen 实用脚本 2026-10-27 4

本文目录导读：

实用脚本如何分析球员跑动热点图？

数据来源与格式
核心分析脚本框架
战术解读脚本（自动生成洞察）
进阶：时间切片与动态热点
实战注意事项
推荐工具链

分析球员跑动热点图,需要从数据获取、可视化处理、战术解读三个层面展开，下面是一套可落地的实用脚本思路（以Python为主），涵盖从原始数据到战术洞察的完整流程。

数据来源与格式

热点图分析的前提是带坐标的跑动/触球数据：

数据源	格式	说明
StatsBomb Open Data	JSON	含每个事件的 x,y 坐标（0-120 × 0-80）
Opta / Wyscout	CSV/JSON	需付费，含球员追踪点
比赛视频 + 追踪系统	CSV	每帧球员坐标（如 25fps）
手动标注	CSV	x, y, timestamp, player_id

典型字段：player_id, x, y, event_type, timestamp

核心分析脚本框架

数据清洗与坐标归一化

import pandas as pd
import numpy as np
def load_tracking_data(path):
    df = pd.read_csv(path)
    # 统一到 0-100 × 0-100 的相对坐标（便于跨场地比较）
    df['x_norm'] = df['x'] / df['x'].max() * 100
    df['y_norm'] = df['y'] / df['y'].max() * 100
    # 只保留进攻方向一致的半场（可选：翻转客队）
    return df
def normalize_direction(df, team='home'):
    if team == 'away':
        df['x_norm'] = 100 - df['x_norm']
        df['y_norm'] = 100 - df['y_norm']
    return df

热点图生成（KDE 核密度估计）

import matplotlib.pyplot as plt
import seaborn as sns
from scipy.stats import gaussian_kde
def plot_heatmap(df, player_id, title=''):
    pts = df[df['player_id'] == player_id][['x_norm','y_norm']].values.T
    kde = gaussian_kde(pts, bw_method=0.15)
    # 生成网格
    xi, yi = np.mgrid[0:100:200j, 0:100:200j]
    zi = kde(np.vstack([xi.ravel(), yi.ravel()])).reshape(xi.shape)
    fig, ax = plt.subplots(figsize=(8,6))
    # 画球场底图
    draw_pitch(ax)
    ax.contourf(xi, yi, zi, levels=20, cmap='hot', alpha=0.7)
    ax.set_title(title)
    plt.show()

分区统计（Zone Analysis）

把球场切成 3×5 或 6×5 网格，统计各区域停留时长/触球次数：

def zone_stats(df, player_id, x_bins=6, y_bins=5):
    sub = df[df['player_id'] == player_id].copy()
    sub['zone_x'] = pd.cut(sub['x_norm'], bins=x_bins, labels=False)
    sub['zone_y'] = pd.cut(sub['y_norm'], bins=y_bins, labels=False)
    # 若数据含时长，用 sum；否则用 count 近似
    pivot = sub.pivot_table(index='zone_y', columns='zone_x',
                            values='duration', aggfunc='sum', fill_value=0)
    return pivot

多球员对比热图

def compare_heatmaps(df, players, figsize=(15,5)):
    fig, axes = plt.subplots(1, len(players), figsize=figsize)
    for ax, pid in zip(axes, players):
        pts = df[df['player_id']==pid][['x_norm','y_norm']].values.T
        sns.kdeplot(x=pts[0], y=pts[1], cmap='Reds', fill=True,
                    bw_adjust=0.5, ax=ax, thresh=0.05)
        draw_pitch(ax)
        ax.set_title(f'Player {pid}')
    plt.tight_layout()

战术解读脚本（自动生成洞察）

数据可视化之外,脚本应输出可解释指标：

def tactical_metrics(df, player_id):
    sub = df[df['player_id']==pid]
    return {
        '平均站位_x': sub['x_norm'].mean(),          # 进攻推进程度
        '平均站位_y': sub['y_norm'].mean(),          # 左右偏斜
        '活动范围_面积': convex_hull_area(sub),       # 覆盖面积
        '前场占比': (sub['x_norm']>66).mean(),        # 高位活动比例
        '边路占比': ((sub['y_norm']<20)|(sub['y_norm']>80)).mean(),
        '热点中心': gaussian_kde(sub[['x_norm','y_norm']].T.values).covariance,
    }

解读维度：

指标	战术含义
平均x偏高 + 面积小	固定高位站位（如影锋）
面积大 + 分散	扫荡型中场/B2B
边路占比 >60%	边锋/边后卫
两个热点峰值	双角色球员（如内收边卫）
前场占比低但面积大	后场组织核心

进阶：时间切片与动态热点

分析不同比赛阶段的热点变化（判断体能下降/战术调整）：

def time_sliced_heatmap(df, pid, intervals=[(0,15),(15,30),(30,45),
                                            (45,60),(60,75),(75,90)]):
    fig, axes = plt.subplots(2,3, figsize=(15,8))
    for ax, (t0,t1) in zip(axes.flat, intervals):
        sub = df[(df['player_id']==pid) &
                 (df['minute']>=t0) & (df['minute']<t1)]
        if len(sub) > 10:
            sns.kdeplot(data=sub, x='x_norm', y='y_norm',
                        fill=True, cmap='Blues', ax=ax, thresh=0.05)
        draw_pitch(ax); ax.set_title(f'{t0}-{t1}min')

用途：观察下半场活动范围缩小 → 体能问题；后半段热点前移 → 球队追分。