实用脚本统计弧线球传中精准度如何?

wen 实用脚本 2

本文目录导读:

实用脚本统计弧线球传中精准度如何?

  1. 先定义指标
  2. 数据源假设
  3. 示例脚本(Python)
  4. 关于“弧线”的进一步处理
  5. 输出建议

“弧线球传中精准度”这个指标在足球数据分析里其实需要先拆解成可量化的定义,否则脚本没法统计,下面给你一个可落地的思路和示例脚本框架。

先定义指标

弧线球传中精准度通常拆成两个层面:

  1. 传中识别:从事件数据中筛出“传中”事件(cross),且传球轨迹为弧线(通常用传球高度/落点/是否起脚传中来近似,事件数据里一般没有直接“弧线”标签)。
  2. 精准判定:传中后是否被本方队友在危险区域接到(成功传中),或落点是否进入预设的“目标区”(如小禁区前沿、点球点附近)。

所以精准度 = 成功传中数 / 总传中数,成功”需要你定义。

数据源假设

以 StatsBomb 开放数据(JSON)为例,事件里有:

  • pass.type.name == "Cross"
  • pass.outcome.name(成功传球该字段为空)
  • pass.end_location(落点坐标)
  • pass.height.name(高球/低球)
  • pass.technique.name(可能含 "Inswinging"/"Outswinging" 这类弧线信息,部分数据有)

示例脚本(Python)

import json
import pandas as pd
def load_events(path):
    with open(path, encoding='utf-8') as f:
        return json.load(f)
def extract_crosses(events, team_name=None):
    rows = []
    for e in events:
        if e.get('type', {}).get('name') != 'Pass':
            continue
        p = e.get('pass', {})
        if p.get('type', {}).get('name') != 'Cross':
            continue
        if team_name and e['team']['name'] != team_name:
            continue
        rows.append({
            'player': e['player']['name'],
            'team': e['team']['name'],
            'minute': e['minute'],
            'success': p.get('outcome') is None,          # 无 outcome = 成功
            'height': p.get('height', {}).get('name'),
            'technique': p.get('technique', {}).get('name'),
            'end_x': p.get('end_location', [None, None])[0],
            'end_y': p.get('end_location', [None, None])[1],
        })
    return pd.DataFrame(rows)
def in_target_zone(row, x_min=102, x_max=120, y_min=18, y_max=62):
    # StatsBomb 场地 120x80,目标区示例:小禁区前沿一带
    if pd.isna(row['end_x']) or pd.isna(row['end_y']):
        return False
    return x_min <= row['end_x'] <= x_max and y_min <= row['end_y'] <= y_max
def cross_accuracy(df):
    df = df.copy()
    df['in_zone'] = df.apply(in_target_zone, axis=1)
    # 精准定义1:被队友接到
    acc_received = df['success'].mean()
    # 精准定义2:落点进入目标区
    acc_zone = df['in_zone'].mean()
    # 精准定义3:两者都满足
    acc_strict = (df['success'] & df['in_zone']).mean()
    return {
        'total_crosses': len(df),
        'accuracy_received': round(acc_received, 3),
        'accuracy_zone': round(acc_zone, 3),
        'accuracy_strict': round(acc_strict, 3),
    }
if __name__ == '__main__':
    events = load_events('events.json')
    df = extract_crosses(events, team_name='Barcelona')
    print(cross_accuracy(df))
    # 按球员统计
    print(df.groupby('player').apply(lambda g: cross_accuracy(g)).unstack())

弧线”的进一步处理

如果数据里没有 technique 字段区分内外弧,可以用落点轨迹的曲率近似:把传球起点、终点和中间触球点(若有)拟合曲线,但开放数据一般只有起终点,无法算真实弧线,实用替代方案:

  • 用 pass.height == "High Pass" + 传中类型筛选,近似“高弧线传中”;
  • 或用视频追踪数据(如 SkillCorner、StatsBomb 360)拿到球的轨迹点,计算横向偏移量作为弧线强度。

输出建议

统计结果建议分三层呈现:

  1. 全队总传中数与三种精准度定义;
  2. 按球员排名(至少 10 次传中才纳入,避免小样本);
  3. 按传中区域/脚别(左脚外弧 vs 右脚内弧)分组对比。

如果你告诉我具体数据源(Opta、StatsBomb、Wyscout 还是自采视频),我可以把字段映射和筛选条件改得更贴合。

抱歉,评论功能暂时关闭!

友情链接攻略窝 · 礼包窝 · 配置窝 · 换算窝 · 算法窝 · 查文窝 · 手册窝 · 问答窝 · 全文搜 · 手册库
相关站点礼包窝 · 查文窝