本文目录导读:

分析球员跑动热点图,本质上是从空间数据中提取战术信息的过程,下面是一套从数据获取到实战解读的完整脚本化分析框架。
热点图的数据本质
热点图通常由追踪系统(如 Hawk-Eye、StatsPerform)或事件数据(传球/跑动事件坐标)生成,底层是:
(x, y, timestamp, player_id, speed, intensity)
即每个采样时刻球员的场地坐标,热点图就是这些点经过核密度估计后的可视化结果。
脚本化分析流程
数据预处理脚本
import pandas as pd
import numpy as np
# 读取追踪数据(假设为标准格式)
df = pd.read_csv("player_tracking.csv")
# 字段: player_id, x, y, t, speed
# 坐标系标准化:统一到 105x68 米标准球场
def normalize_coords(df, pitch_length=105, pitch_width=68):
df['x_norm'] = df['x'] / pitch_length # 0~1
df['y_norm'] = df['y'] / pitch_width
return df
df = normalize_coords(df)
# 按球员切分,过滤静止点(速度<0.5 m/s视为站立)
def filter_active(df, min_speed=0.5):
return df[df['speed'] >= min_speed]
热点强度计算(核密度估计 KDE)
from scipy.stats import gaussian_kde
def compute_heatmap(player_df, grid_size=50):
xy = player_df[['x_norm', 'y_norm']].values.T
kde = gaussian_kde(xy, bw_method=0.15)
xi, yi = np.mgrid[0:1:grid_size*1j, 0:1:grid_size*1j]
zi = kde(np.vstack([xi.ravel(), yi.ravel()])).reshape(xi.shape)
return xi, yi, zi
分区统计脚本(关键战术指标)
def zone_stats(player_df, n_zones_x=6, n_zones_y=4):
"""把球场划分成 6x4 网格,统计各区域停留时间占比"""
player_df = player_df.copy()
player_df['zx'] = pd.cut(player_df['x_norm'], bins=n_zones_x, labels=False)
player_df['zy'] = pd.cut(player_df['y_norm'], bins=n_zones_y, labels=False)
zone_time = player_df.groupby(['zx','zy']).size().reset_index(name='frames')
zone_time['ratio'] = zone_time['frames'] / zone_time['frames'].sum()
return zone_time.sort_values('ratio', ascending=False)
关键衍生指标
| 指标 | 计算方式 | 战术含义 |
|---|---|---|
| 活动热区重心 | 加权平均 (x̄, ȳ) | 球员平均站位/活动倾向 |
| 活动范围面积 | 凸包面积 / KDE 等值线面积 | 覆盖能力 |
| 纵横比 | 纵向标准差 / 横向标准差 | 纵向推进型 vs 横向调度型 |
| 热点离散度 | 热点的熵值 | 位置固定 vs 自由人 |
| 左右对称性 | 左右半场热点分布差异 | 是否偏侧球员 |
def player_profile(player_df):
x, y = player_df['x_norm'], player_df['y_norm']
centroid = (x.mean(), y.mean())
spread_ratio = x.std() / y.std()
entropy = -np.sum((zone_stats(player_df)['ratio']) *
np.log(zone_stats(player_df)['ratio'] + 1e-9))
return {
'centroid': centroid,
'spread_ratio': spread_ratio,
'zone_entropy': entropy,
'area_convex_hull': compute_hull_area(x, y)
}
实战解读框架
拿到热点图后,脚本输出要回答以下四类问题:
位置角色识别
- 重心位置 → 判断实际位置(如标称前腰但重心在后腰区 → 回撤组织者)
- 热区形状 → 条状(边路上下)vs 团状(中路支点)vs 散点(自由人)
战术职能分析
- 进攻三区热点占比高 → 终结者/进攻发起
- 后场+边路热点 → 边后卫内收或翼卫
- 两个孤立热点(如左路+禁区)→ 内切型边锋
- 热点集中在禁区弧顶 → 伪九号/影锋
与队友热点的叠加分析
# 检测热点重叠区 → 位置冲突或战术协同 overlap = np.minimum(heatmap_A, heatmap_B) overlap_ratio = overlap.sum() / min(heatmap_A.sum(), heatmap_B.sum())
- 重叠 > 30%:可能位置重叠(需换位/分工)
- 互补分布:形成宽度或纵深拉扯
时间分段对比
# 按上下半场 / 比分状态分段对比热点漂移
for period in ['1H','2H']:
plot_heatmap(df[df.period==period])
- 下半场热点前移 → 体能充足/落后压上
- 热点后撤 → 领先收缩/体能下降
可视化脚本要点
- 叠加球场底图:用 mplsoccer 库绘制标准球场,避免坐标错位
- 等值线而非纯色斑:用 KDE 等值线能看清"核心热点"和"边缘活动"
- 分位数阈值:只显示前 20% 密度区域,过滤噪声
- 多球员对比:同一底图上用不同颜色透明度叠加,观察互补/冲突
from mplsoccer import Pitch pitch = Pitch(pitch_type='statsbomb') fig, ax = pitch.draw() pitch.kdeplot(x, y, ax=ax, levels=50, fill=True, cmap='Reds')
常见误区提醒
| 误区 | 纠正 |
|---|---|
| 热点=跑动距离 | 热点反映位置停留,需结合速度数据区分"跑动"与"站位" |
| 单场热点定论 | 至少 5-10 场样本聚合,避免单场偶然性 |
| 忽略无球跑动 | 追踪数据包含无球,事件数据只含持球——两者热图含义不同 |
| 只看绝对位置 | 需结合球队整体阵型/战术阶段(攻防转换时热点会漂移) |
进阶方向
- 按比赛阶段分层:进攻组织/防守落位/转换瞬间分别出图
- 热图差分:两场比赛热点相减,看位置漂移向量
- 与传球网络结合:热点重心 vs 接球重心,判断"跑位-接应"一致性
- 机器学习聚类:对全队热点做 K-means,自动识别战术角色分组
一句话总结:脚本化分析热点图的核心是——把"哪里热"量化成重心、面积、熵、分区占比等指标,再结合战术语境(位置、阶段、队友关系)做解读,而非停留在看图说话。
版权声明:本站文章为原创整理,转载请注明出处。