本文目录导读：
“脚后跟传球成功几次”这种统计，不是靠一个通用脚本就能凭空算出来的，它依赖你手上的数据源，不同数据源能支持的统计粒度差别很大，下面我给你一个可落地的判断 + 脚本框架,你按自己的数据情况套用即可。
先判断你的数据属于哪一类
A. 事件级数据（最理想）
Opta / StatsBomb / Wyscout / 自有标注数据,事件里有：
- 传球事件
- 传球部位/技术字段（如
pass_body_part = heel或pass_technique = backheel） - 成功/失败字段
✅ 这种情况可以直接用脚本统计。
B. 视频数据（最麻烦）
只有比赛视频，没有事件标签。 ❌ 不能靠简单脚本统计,需要：
- 目标检测 + 姿态估计 + 球轨迹跟踪
- 或人工标注 这不是“实用脚本”能解决的,成本很高。
C. 只有统计表/文字直播
比如只有“传球成功率”这种汇总数据。 ❌ 无法统计脚后跟传球,因为粒度不够。
如果你有事件级数据：Python 脚本模板
假设你的数据是 DataFrame,列名类似：
playerevent_type（pass）pass_body_part（heel）pass_outcome（complete / incomplete）
import pandas as pd
# 读取数据
df = pd.read_csv("events.csv")
# 筛选：传球 + 脚后跟
heel_passes = df[
(df["event_type"] == "pass") &
(df["pass_body_part"].str.lower() == "heel")
]
# 统计成功次数
successful_heel_passes = heel_passes[
heel_passes["pass_outcome"].str.lower() == "complete"
]
# 按球员统计
result = (
successful_heel_passes
.groupby("player")
.size()
.reset_index(name="successful_heel_passes")
.sort_values("successful_heel_passes", ascending=False)
)
print(result)
如果你要统计全队总数：
total = len(successful_heel_passes)
print("脚后跟传球成功次数:", total)
关键坑点（很容易错）
-
“脚后跟”字段不一定叫 heel
有的数据叫backheel、heel_pass、technique=backheel,要先看数据字典。 -
成功定义要统一
是“传给队友”算成功，还是“队友接到且没丢”算成功？不同数据源定义不同。 -
脚后跟传球可能被归到“其他部位”
部分数据源只标foot，不细分脚跟,那就统计不了。 -
不要用传球成功率反推次数
成功率是比例,反推会因四舍五入出错。
如果你没有事件数据，实用替代方案
- 人工标注小样本：选几场，用视频逐次标“脚后跟传球 + 成功/失败”,算场均。
- 用现成平台筛选：StatsBomb IQ、Wyscout、SofaScore 部分赛事有技术动作筛选。
- 简化目标：只统计“脚后跟传球次数”，不区分成功,人工看视频更快。
- 有事件级数据 + 部位字段：上面脚本直接能用,改列名即可。
- 只有视频：别指望通用脚本,需要标注或计算机视觉方案。
- 只有汇总统计：统计不了。
如果你告诉我你的数据长什么样（列名/来源/是否有部位字段）,我可以帮你把脚本改成直接可跑的版本。
