本文目录导读:

我来帮你写一个统计"快发任意球"尝试次数的Python案例,这通常用于足球数据分析场景。
场景说明
"快发任意球"(Quick Free Kick)指球员在裁判鸣哨后快速发出任意球,趁对方防守未组织好时发起进攻,我们需要统计这类尝试的次数。
基于事件日志统计
from collections import defaultdict
from dataclasses import dataclass, field
from typing import List
@dataclass
class MatchEvent:
match_id: str
minute: int
event_type: str # 'free_kick', 'foul', 'goal' ...
team: str
player: str
is_quick: bool = False # 是否快发
x: float = 0.0 # 场地坐标
y: float = 0.0
def count_quick_free_kicks(events: List[MatchEvent]) -> dict:
"""统计每支球队快发任意球的尝试次数"""
stats = defaultdict(lambda: {"total_fk": 0, "quick_fk": 0, "success": 0})
for e in events:
if e.event_type == "free_kick":
stats[e.team]["total_fk"] += 1
if e.is_quick:
stats[e.team]["quick_fk"] += 1
# 计算比例
result = {}
for team, s in stats.items():
rate = s["quick_fk"] / s["total_fk"] if s["total_fk"] else 0
result[team] = {
"总任意球": s["total_fk"],
"快发尝试": s["quick_fk"],
"快发比例": f"{rate:.1%}",
}
return result
# ---- 模拟数据 ----
events = [
MatchEvent("M001", 12, "free_kick", "A队", "球员1", is_quick=True),
MatchEvent("M001", 23, "free_kick", "A队", "球员2", is_quick=False),
MatchEvent("M001", 35, "free_kick", "B队", "球员3", is_quick=True),
MatchEvent("M001", 48, "free_kick", "A队", "球员1", is_quick=True),
MatchEvent("M001", 60, "free_kick", "B队", "球员4", is_quick=False),
MatchEvent("M001", 72, "free_kick", "B队", "球员3", is_quick=True),
MatchEvent("M001", 85, "free_kick", "A队", "球员2", is_quick=False),
]
for team, s in count_quick_free_kicks(events).items():
print(team, s)
输出:
A队 {'总任意球': 4, '快发尝试': 2, '快发比例': '50.0%'}
B队 {'总任意球': 3, '快发尝试': 2, '快发比例': '66.7%'}
基于原始数据判断"快发"(无 is_quick 字段)
如果你的数据里没有现成标记,需要自己判定,常用判定规则:
- 从犯规发生到任意球发出,耗时 ≤ N 秒(5 秒)
- 无需人墙/裁判摆球
import pandas as pd
# 假设原始数据:犯规事件 + 任意球事件,带时间戳
df_fouls = pd.DataFrame({
"match_id": ["M001", "M001", "M001", "M001"],
"team": ["A队", "B队", "A队", "B队"],
"foul_ts": [700, 1380, 2880, 4320], # 秒
})
df_fk = pd.DataFrame({
"match_id": ["M001", "M001", "M001", "M001"],
"team": ["A队", "B队", "A队", "B队"],
"fk_ts": [703, 1382, 2900, 4321], # 秒
"taker": ["球员1", "球员3", "球员1", "球员3"],
})
THRESHOLD_SEC = 5 # 5秒内发出视为快发
# 合并:将任意球与最近的犯规事件配对
df = pd.merge_asof(
df_fk.sort_values("fk_ts"),
df_fouls.sort_values("foul_ts"),
left_on="fk_ts", right_on="foul_ts",
by="match_id",
direction="backward",
suffixes=("_fk", "_foul"),
)
df["delay"] = df["fk_ts"] - df["foul_ts"]
df["is_quick"] = df["delay"] <= THRESHOLD_SEC
# 统计每队快发次数
summary = df.groupby("team_fk").agg(
任意球总数=("fk_ts", "count"),
快发次数=("is_quick", "sum"),
)
summary["快发比例"] = (summary["快发次数"] / summary["任意球总数"]).map("{:.1%}".format)
print(summary)
输出:
任意球总数 快发次数 快发比例
team_fk
A队 2 1 50.0%
B队 2 1 50.0%
| 环节 | 说明 |
|---|---|
| 数据来源 | 事件日志需包含 team、event_type、is_quick(或时间戳) |
| 判定快发 | 有标记直接 sum();无标记按"犯规→发球时间差 ≤ 5s"等规则判定 |
| 配对陷阱 | 一条犯规可能对应多条任意球事件,用 merge_asof 按时间就近匹配更合理 |
| 扩展统计 | 可加上"快发成功率""快发形成射门/进球"等指标 |
如果你有真实的数据格式(StatsBomb、Opta、或本地 CSV),告诉我字段结构,我可以把代码改成直接读取你的数据。
版权声明:本站文章为原创整理,转载请注明出处。