python案例认为直接任意球得分概率多大？

wen python案例 2026-11-01 2

本文目录导读：

基础概率模型
基于真实数据的统计模型
蒙特卡洛模拟 - 综合因素

我来用Python模拟和分析直接任意球得分的概率，这是一个有趣的问题,我会从多个角度来建模。

基础概率模型

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
import pandas as pd
# 设置随机种子
np.random.seed(42)
def free_kick_probability_model(distance, angle, wall_height=2.0, 
                                 goal_width=7.32, goal_height=2.44,
                                 n_simulations=100000):
    """
    模拟直接任意球得分概率
    参数:
    - distance: 距离球门距离(米)
    - angle: 射门角度(相对于球门中心，度)
    - wall_height: 人墙高度(米)
    - goal_width: 球门宽度(米)
    - goal_height: 球门高度(米)
    - n_simulations: 模拟次数
    """
    # 球门坐标 (假设球门中心在原点)
    goal_left = -goal_width / 2
    goal_right = goal_width / 2
    # 计算球的飞行轨迹
    # 假设球速在25-35 m/s之间
    speeds = np.random.uniform(25, 35, n_simulations)
    # 计算飞行时间
    flight_times = distance / speeds
    # 考虑球的旋转和弧线 (简化模型)
    # 马格努斯效应导致的横向偏移
    spin_effect = np.random.normal(0, 0.5, n_simulations)  # 横向偏移(米)
    # 垂直方向：考虑重力
    g = 9.81
    # 初始垂直速度 (随机)
    v_vertical = np.random.uniform(5, 12, n_simulations)
    # 计算球到达球门时的位置
    y_final = v_vertical * flight_times - 0.5 * g * flight_times**2
    x_final = spin_effect  # 横向位置
    # 判断是否绕过人墙
    # 简化：假设人墙在距离球3米处，高度2米
    wall_distance = 3.0
    wall_time = wall_distance / speeds
    wall_height_at_pass = v_vertical * wall_time - 0.5 * g * wall_time**2
    # 球必须高于人墙
    passes_wall = wall_height_at_pass > wall_height
    # 判断是否进球
    # 球在球门范围内且高度合适
    in_goal_x = (x_final > goal_left) & (x_final < goal_right)
    in_goal_y = (y_final > 0) & (y_final < goal_height)
    goals = passes_wall & in_goal_x & in_goal_y
    return np.mean(goals)
# 测试不同距离的得分概率
distances = [18, 20, 22, 25, 28, 30, 35]
probabilities = []
for d in distances:
    prob = free_kick_probability_model(d, angle=0)
    probabilities.append(prob)
    print(f"距离 {d}m: 得分概率 = {prob:.2%}")
# 可视化
plt.figure(figsize=(10, 6))
plt.plot(distances, [p*100 for p in probabilities], 'bo-', linewidth=2, markersize=8)
plt.xlabel('距离 (米)', fontsize=12)
plt.ylabel('得分概率 (%)', fontsize=12)'直接任意球得分概率 vs 距离', fontsize=14)
plt.grid(True, alpha=0.3)
plt.show()

基于真实数据的统计模型

# 基于真实足球数据的统计模型
# 参考数据：职业足球直接任意球平均转化率约6-8%
class RealisticFreeKickModel:
    def __init__(self):
        # 基于历史数据的参数
        self.base_conversion = 0.06  # 基础转化率6%
        # 不同距离的调整因子
        self.distance_factors = {
            (16, 20): 1.5,   # 16-20米：最容易得分
            (20, 25): 1.0,   # 20-25米：平均水平
            (25, 30): 0.6,   # 25-30米：较难
            (30, 40): 0.3,   # 30-40米：很难
        }
        # 射门角度调整
        self.angle_factors = {
            (0, 15): 1.2,    # 正面：最好
            (15, 30): 1.0,   # 稍偏：平均
            (30, 45): 0.7,   # 偏角：较难
            (45, 90): 0.3,   # 大角度：很难
        }
    def get_probability(self, distance, angle):
        # 获取距离因子
        dist_factor = 1.0
        for (low, high), factor in self.distance_factors.items():
            if low <= distance < high:
                dist_factor = factor
                break
        # 获取角度因子
        angle_factor = 1.0
        for (low, high), factor in self.angle_factors.items():
            if low <= angle < high:
                angle_factor = factor
                break
        # 计算最终概率
        prob = self.base_conversion * dist_factor * angle_factor
        return min(prob, 0.25)  # 最高不超过25%
# 使用真实模型
model = RealisticFreeKickModel()
print("\n=== 基于真实数据的统计模型 ===")
test_cases = [
    (18, 10, "禁区前沿正面"),
    (22, 15, "标准任意球位置"),
    (25, 20, "稍远位置"),
    (28, 30, "较远且偏"),
    (32, 0, "远距离正面"),
]
for dist, angle, desc in test_cases:
    prob = model.get_probability(dist, angle)
    print(f"{desc} ({dist}m, {angle}°): {prob:.1%}")

蒙特卡洛模拟 - 综合因素

def comprehensive_simulation(n_kicks=10000):
    """
    综合考虑多种因素的蒙特卡洛模拟
    """
    results = []
    for _ in range(n_kicks):
        # 随机选择任意球位置
        # 距离分布：16-35米
        distance = np.random.uniform(16, 35)
        # 角度分布：-60到60度
        angle = np.random.uniform(-60, 60)
        # 球员技术水平 (0-1)
        skill = np.random.beta(5, 2)  # 偏向高水平
        # 守门员水平 (0-1)
        keeper_skill = np.random.beta(5, 2)
        # 计算基础进球概率
        # 距离影响
        dist_effect = np.exp(-0.1 * (distance - 18))
        # 角度影响
        angle_effect = np.cos(np.radians(angle)) ** 2
        # 技术水平影响
        skill_effect = 0.5 + skill
        # 守门员影响
        keeper_effect = 1.2 - 0.5 * keeper_skill
        # 综合概率
        prob = 0.15 * dist_effect * angle_effect * skill_effect * keeper_effect
        # 伯努利试验
        if np.random.random() < prob:
            results.append(1)
        else:
            results.append(0)
    return np.mean(results)
# 运行模拟
overall_prob = comprehensive_simulation(10000)
print(f"\n=== 综合蒙特卡洛模拟 ===")
print(f"总体直接任意球得分概率: {overall_prob:.2%}")
print(f"即大约每 {int(1/overall_prob)} 次任意球可以进 1 球")
# 分区域统计
print("\n=== 分区域统计 ===")
zones = [
    ("禁区弧顶 (18-20m, ±15°)", 18, 20, -15, 15),
    ("中路 (20-25m, ±20°)", 20, 25, -20, 20),
    ("边路 (20-25m, 20-45°)", 20, 25, 20, 45),
    ("远距离 (25-30m, ±20°)", 25, 30, -20, 20),
]
for name, d_min, d_max, a_min, a_max in zones:
    zone_probs = []
    for _ in range(1000):
        d = np.random.uniform(d_min, d_max)
        a = np.random.uniform(a_min, a_max)
        # 简化计算
        prob = 0.12 * np.exp(-0.08*(d-18)) * np.cos(np.radians(a))**2
        zone_probs.append(np.random.random() < prob)
    print(f"{name}: {np.mean(zone_probs):.1%}")

基于以上分析,直接任意球得分的概率：

总体概率：约 6-10%

具体分布：