统计反越位成功形成单刀次数
下面用 Python 做一个完整的案例,模拟一场比赛的事件数据,统计反越位成功形成单刀的次数。

业务逻辑
"反越位成功形成单刀"通常需要同时满足:
- 事件类型 = 传球(pass)
- 接球球员处于越位位置(offside_position = True)
- 但裁判未吹罚越位(is_offside_called = False)→ 即反越位成功
- 接球后形成单刀(one_on_one = True,即接球球员与对方门将之间无其他防守球员)
模拟数据
import pandas as pd
# 模拟一场比赛的事件数据
data = [
# match_id, event_id, team, player, event_type, offside_position, is_offside_called, one_on_one, minute
(1, 101, "A队", "前锋1", "pass", True, False, True, 12), # ✅ 反越位+单刀
(1, 102, "A队", "前锋2", "pass", True, True, False, 25), # ❌ 越位被吹
(1, 103, "B队", "前锋3", "pass", False, False, True, 33), # ❌ 正常单刀,非反越位
(1, 104, "A队", "边锋1", "pass", True, False, True, 41), # ✅ 反越位+单刀
(1, 105, "B队", "中场1", "pass", True, False, False, 55), # ❌ 反越位成功但未形成单刀
(1, 106, "A队", "前锋1", "shot", False, False, False, 60), # ❌ 射门事件
(1, 107, "B队", "前锋3", "pass", True, False, True, 72), # ✅ 反越位+单刀
(1, 108, "A队", "前锋2", "pass", True, True, False, 80), # ❌ 越位被吹
(1, 109, "B队", "边锋2", "pass", True, False, True, 88), # ✅ 反越位+单刀
]
df = pd.DataFrame(data, columns=[
"match_id", "event_id", "team", "player", "event_type",
"offside_position", "is_offside_called", "one_on_one", "minute"
])
核心统计代码
# 筛选"反越位成功形成单刀"的事件
mask = (
(df["event_type"] == "pass") & # 传球事件
(df["offside_position"] == True) & # 接球时处于越位位置
(df["is_offside_called"] == False) & # 裁判未吹罚(反越位成功)
(df["one_on_one"] == True) # 形成单刀
)
success_df = df[mask]
print("===== 反越位成功形成单刀的记录 =====")
print(success_df[["minute", "team", "player"]].to_string(index=False))
print(f"\n总次数:{len(success_df)} 次")
输出:
===== 反越位成功形成单刀的记录 =====
minute team player
12 A队 前锋1
41 A队 边锋1
72 B队 前锋3
88 B队 边锋2
总次数:4 次
按球队统计
team_stats = (
success_df.groupby("team")
.agg(
反越位单刀次数=("event_id", "count"),
球员=("player", lambda x: "、".join(x.unique()))
)
.reset_index()
.sort_values("反越位单刀次数", ascending=False)
)
print(team_stats.to_string(index=False))
输出:
team 反越位单刀次数 球员
A队 2 前锋1、边锋1
B队 2 前锋3、边锋2
可视化(可选)
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"] # 中文显示
plt.rcParams["axes.unicode_minus"] = False
# 时间线散点图
fig, ax = plt.subplots(figsize=(10, 3))
for team, color in zip(["A队", "B队"], ["#1f77b4", "#d62728"]):
sub = success_df[success_df["team"] == team]
ax.scatter(sub["minute"], [team] * len(sub), s=150, color=color)
for _, row in sub.iterrows():
ax.annotate(row["player"], (row["minute"], team),
xytext=(0, 12), textcoords="offset points",
ha="center", fontsize=9)
ax.set_xlabel("比赛时间(分钟)")
ax.set_title("反越位成功形成单刀事件时间线")
ax.set_xlim(0, 95)
ax.grid(axis="x", alpha=0.3)
plt.tight_layout()
plt.show()
扩展:多场比赛批量处理
如果有多场比赛数据,可用函数封装:
def count_offside_breakaway(df):
"""统计每场比赛反越位成功形成单刀次数"""
mask = (
(df["event_type"] == "pass") &
(df["offside_position"]) &
(~df["is_offside_called"]) &
(df["one_on_one"])
)
result = (
df[mask]
.groupby(["match_id", "team"])
.size()
.reset_index(name="反越位单刀次数")
)
return result
# 假设 df_all 是多场比赛合并数据
# print(count_offside_breakaway(df_all))
| 步骤 | 关键点 |
|---|---|
| 数据准备 | 需要越位位置、是否被吹罚、是否单刀等标记字段 |
| 筛选条件 | 用布尔掩码组合 4 个条件 |
| 聚合统计 | groupby 按球队/比赛汇总 |
| 业务校验 | 区分"正常单刀"和"反越位单刀" |
| 可视化 | 时间线/柱状图直观展示 |
如果你的数据是追踪数据(tracking data),可以进一步用坐标计算"接球瞬间与门将之间防守球员数量"来自动判定单刀,而不依赖人工标记,需要那部分代码可以告诉我。
版权声明:本站文章为原创整理,转载请注明出处。