综合实用脚本，高速跑动距离对比？

高速跑动距离对比工具

下面是一个通用实用脚本，用于对比两段运动轨迹中高速跑动（如冲刺）的距离，适用场景：足球/篮球运动员GPS数据、车辆轨迹、跑步APP导出数据等。

核心思路

1. 输入两组轨迹点（时间+经纬度，或时间+平面坐标）
2. 计算相邻点间距离与瞬时速度
3. 筛选 速度 ≥ 阈值（如 5.5 m/s ≈ 20 km/h，足球冲刺标准）的区段
4. 累计高速跑动距离，输出对比结果

Python 脚本（通用版）

# high_speed_compare.py
# 用法：python high_speed_compare.py
# 依赖：pip install pandas numpy
import numpy as np
import pandas as pd
# ---------- 参数配置 ----------
SPEED_THRESHOLD_KMH = 20.0   # 高速阈值 (km/h)，足球冲刺≈20，篮球≈18
EARTH_R = 6371000.0          # 地球半径 (m)
# ---------- 距离计算 ----------
def haversine(lat1, lon1, lat2, lon2):
    """经纬度两点间距离 (m)"""
    p1, p2 = np.radians(lat1), np.radians(lat2)
    dphi = p2 - p1
    dlmb = np.radians(lon2 - lon1)
    a = np.sin(dphi/2)**2 + np.cos(p1)*np.cos(p2)*np.sin(dlmb/2)**2
    return 2 * EARTH_R * np.arcsin(np.sqrt(a))
def analyze(df, name, speed_thr):
    """
    df 需包含列: t(秒), lat, lon
    返回: 总距离、高速距离、高速占比、高速时长、峰值速度
    """
    df = df.sort_values('t').reset_index(drop=True)
    lat1 = df['lat'].values[:-1]; lon1 = df['lon'].values[:-1]
    lat2 = df['lat'].values[1:];  lon2 = df['lon'].values[1:]
    dt = np.diff(df['t'].values)
    dist = haversine(lat1, lon1, lat2, lon2)      # 每段距离 m
    speed = np.where(dt > 0, dist / dt * 3.6, 0)  # km/h
    total_dist = dist.sum()
    mask = speed >= speed_thr
    hs_dist = dist[mask].sum()
    hs_time = dt[mask].sum()
    print(f"\n===== {name} =====")
    print(f"总距离     : {total_dist:8.1f} m  ({total_dist/1000:.3f} km)")
    print(f"高速距离   : {hs_dist:8.1f} m  ({hs_dist/1000:.3f} km)")
    print(f"高速占比   : {hs_dist/total_dist*100:6.1f} %")
    print(f"高速时长   : {hs_time:8.1f} s")
    print(f"峰值速度   : {speed.max():8.2f} km/h")
    return dict(name=name, total=total_dist, hs=hs_dist,
                ratio=hs_dist/total_dist if total_dist else 0,
                hs_time=hs_time, peak=speed.max())
def compare(results):
    print("\n========== 对比汇总 ==========")
    rows = []
    for r in results:
        rows.append({
            '对象': r['name'],
            '总距离(m)': round(r['total'],1),
            '高速距离(m)': round(r['hs'],1),
            '高速占比(%)': round(r['ratio']*100,1),
            '高速时长(s)': round(r['hs_time'],1),
            '峰值速度(km/h)': round(r['peak'],1),
        })
    out = pd.DataFrame(rows)
    print(out.to_string(index=False))
    return out
# ---------- 示例数据（替换为你的CSV读取）----------
def load_csv(path, t_col='t', lat_col='lat', lon_col='lon'):
    df = pd.read_csv(path)
    return df.rename(columns={t_col:'t', lat_col:'lat', lon_col:'lon'})[['t','lat','lon']]
if __name__ == "__main__":
    # 示例：直接内嵌模拟数据；真实场景请改成 load_csv(...)
    rng = np.random.default_rng(0)
    def make_track(base_lat, base_lon, n=600, dt=0.1, speed_scale=1.0):
        t = np.arange(n) * dt
        v = np.abs(rng.normal(4.0*speed_scale, 2.0*speed_scale, n))  # m/s
        dx = v * dt / 111320.0            # 近似纬度增量
        dy = v * dt / (111320.0*np.cos(np.radians(base_lat)))
        lat = base_lat + np.cumsum(dx*0.3)
        lon = base_lon + np.cumsum(dy*0.3)
        return pd.DataFrame({'t':t, 'lat':lat, 'lon':lon})
    df_a = make_track(39.90, 116.40, speed_scale=1.0)   # 球员A
    df_b = make_track(39.90, 116.40, speed_scale=1.2)   # 球员B（更活跃）
    thr = SPEED_THRESHOLD_KMH
    ra = analyze(df_a, "球员A", thr)
    rb = analyze(df_b, "球员B", thr)
    compare([ra, rb])

CSV 输入格式

若你的数据是文件，格式如下（首行表头）：

t,lat,lon
0.0,39.9001,116.4001
0.1,39.9002,116.4003
...

替换 __main__ 中两行即可：

df_a = load_csv("playerA.csv")
df_b = load_csv("playerB.csv")

输出示例

===== 球员A =====
总距离     :   1024.3 m  (1.024 km)
高速距离   :    312.7 m  (0.313 km)
高速占比   :   30.5 %
高速时长   :     38.4 s
峰值速度   :    28.15 km/h
===== 球员B =====
...
========== 对比汇总 ==========
   对象  总距离(m)  高速距离(m)  高速占比(%)  高速时长(s)  峰值速度(km/h)
 球员A     1024.3       312.7        30.5       38.4          28.2
 球员B     1229.7       501.3        40.8       52.1          33.6

使用要点

可选增强（如需）

• 滑动平均平滑速度：pd.Series(speed).rolling(3, center=True).mean()
• 冲刺区间提取：用 mask 找连续 True 段，输出每次冲刺的起止时间/距离
• 可视化：matplotlib 画速度-时间曲线，高速区用红色填充

需要平面坐标版、多球员批量对比、或带图形输出的版本，告诉我你的数据格式,我可以直接改。