实用脚本统计弧线球传中精准度如何?

wen 实用脚本 1

本文目录导读:

实用脚本统计弧线球传中精准度如何?

  1. 先明确“弧线球传中精准度”的定义
  2. 方案 A:只有事件数据(StatsBomb / Opta 风格)
  3. 方案 B:有追踪数据(推荐,最准)
  4. 统计输出建议
  5. 注意事项

“弧线球传中精准度”这个统计需求在足球数据分析里比较具体,通常需要结合事件数据(传球起点/终点、传球类型)和追踪数据(球的飞行轨迹)才能算得比较准,下面给你一个可落地的脚本思路和示例代码,分两种数据条件来写。


先明确“弧线球传中精准度”的定义

建议拆成三个可计算的指标:

指标 定义 所需数据
弧线球识别 传中球轨迹偏离直线(有横向弯曲) 追踪数据(球坐标序列)或事件数据中的 pass_type = cross + curve 标记
传中区域 从边路区域(如 width 1/3 外)传入禁区 事件坐标
精准度 传球终点落在队友可控范围(如 5m 内)或被队友成功接球 事件数据 pass_outcome 或追踪数据最近球员距离

如果没有追踪数据,只能用事件数据做代理统计(精度会下降)。


方案 A:只有事件数据(StatsBomb / Opta 风格)

假设你用 StatsBomb 开放数据格式,字段包括 pass.type.name、pass.technique.name、pass.end_location、pass.outcome.name。

import pandas as pd
import numpy as np
def load_events(path):
    df = pd.read_json(path, lines=True)
    # 展开 pass 列
    passes = df[df['type'].apply(lambda x: x['name'] == 'Pass')].copy()
    passes['pass_type'] = passes['pass'].apply(lambda x: x.get('type', {}).get('name'))
    passes['technique'] = passes['pass'].apply(lambda x: x.get('technique', {}).get('name'))
    passes['outcome'] = passes['pass'].apply(lambda x: x.get('outcome', {}).get('name'))
    passes['end_x'] = passes['pass'].apply(lambda x: x['end_location'][0])
    passes['end_y'] = passes['pass'].apply(lambda x: x['end_location'][1])
    passes['start_x'] = passes['location'].apply(lambda x: x[0])
    passes['start_y'] = passes['location'].apply(lambda x: x[1])
    return passes
def is_cross(p):
    # 传中:从边路(y<20 或 y>60,按 80 宽场地)传入禁区(end_x>84 即对方禁区附近)
    return (p['start_y'] < 20 or p['start_y'] > 60) and p['end_x'] > 84
def is_curve(p):
    # 事件数据里通常没有弧线标记,可用 technique = 'Inswinging'/'Outswinging'
    # 或 pass_type 含 'Curved'(视数据源而定)
    t = (p['technique'] or '') + (p['pass_type'] or '')
    return 'Inswinging' in t or 'Outswinging' in t or 'Curved' in t
def is_accurate(p):
    # 精准:未被判为不成功(outcome 为空 = 成功)
    return pd.isna(p['outcome']) or p['outcome'] in ('Incomplete',)
def cross_accuracy(passes):
    crosses = passes[passes.apply(is_cross, axis=1)].copy()
    curves = crosses[crosses.apply(is_curve, axis=1)].copy()
    if len(curves) == 0:
        return None
    acc = curves.apply(is_accurate, axis=1).mean()
    return {
        'total_crosses': len(crosses),
        'curved_crosses': len(curves),
        'curved_accuracy': round(acc * 100, 2),
        'straight_accuracy': round(
            crosses[~crosses.apply(is_curve, axis=1)].apply(is_accurate, axis=1).mean() * 100, 2
        )
    }
if __name__ == '__main__':
    passes = load_events('events.json')
    print(cross_accuracy(passes))

注意:StatsBomb 的 technique 有 Inswinging / Outswinging,这是最接近“弧线球”的标记;但很多传中其实是有弧度的却没标 technique,所以事件数据统计会低估弧线球数量。


方案 B:有追踪数据(推荐,最准)

用球的逐帧坐标判断轨迹弯曲度,用接球队员距离判断精准度。

import numpy as np
import pandas as pd
def curvature_ratio(traj_xy):
    """轨迹弯曲度 = 实际路径长度 / 起点终点直线距离"""
    traj = np.array(traj_xy)
    if len(traj) < 5:
        return 1.0
    seg = np.linalg.norm(np.diff(traj, axis=0), axis=1).sum()
    straight = np.linalg.norm(traj[-1] - traj[0])
    return seg / max(straight, 1e-6)
def is_curved_cross(traj_xy, start_zone, end_zone, threshold=1.05):
    return (
        start_zone == 'wide' and end_zone == 'box'
        and curvature_ratio(traj_xy) > threshold
    )
def nearest_teammate_dist(ball_end_xy, players_xy, team_mask):
    """球落点与最近队友的距离(米)"""
    d = np.linalg.norm(players_xy[team_mask] - ball_end_xy, axis=1)
    return d.min()
def accuracy_from_tracking(ball_tracks, player_tracks, meta):
    results = []
    for pass_id, traj in ball_tracks.items():
        m = meta[pass_id]
        if not is_curved_cross(traj, m['start_zone'], m['end_zone']):
            continue
        end_xy = traj[-1]
        dist = nearest_teammate_dist(end_xy, player_tracks[pass_id], m['same_team_mask'])
        results.append({
            'pass_id': pass_id,
            'curvature': curvature_ratio(traj),
            'nearest_teammate_m': dist,
            'accurate': dist < 2.0  # 2 米内视为精准,可按需调整
        })
    df = pd.DataFrame(results)
    return {
        'curved_crosses': len(df),
        'accuracy_2m': round(df['accurate'].mean() * 100, 2) if len(df) else None,
        'mean_curvature': round(df['curvature'].mean(), 3) if len(df) else None,
    }

关键参数建议:

  • 弯曲度阈值:05 ~ 1.10(路径比直线长 5~10% 以上算弧线)
  • 精准半径:2m(严格)/ 5m(宽松),或直接看接球是否成功
  • 坐标系:统一成米,避免 pitch 归一化坐标导致距离失真

统计输出建议

跑完后按球员/球队聚合,输出类似:

球员        弧线传中数  精准数  精准率  平均弯曲度
A 球员          23        9     39.1%    1.08
B 球员          18        5     27.8%    1.06

并做两个对照:

  1. 弧线 vs 直线传中精准率对比(验证弧线是否真的更准)
  2. 按传中方向(内旋/外旋)分组

注意事项

  1. 样本量:单场弧线传中可能只有 5~15 次,至少要跨多场聚合才有统计意义。
  2. “精准”定义敏感:用“队友接球成功”和用“落点 2m 内有队友”结果差异很大,建议两个都报。
  3. 事件数据的弧线标记缺失:StatsBomb 的 technique 覆盖率不高,纯事件数据统计要标注局限性。
  4. 追踪数据坐标:不同供应商(Hawk-Eye、Second Spectrum、SkillCorner)坐标系不同,先统一。

如果你告诉我你手头的数据源(StatsBomb 开放数据 / Opta / 自采追踪 / SkillCorner),我可以把脚本改成直接能跑的版本。

上一篇实用脚本认为控球率与胜率成正相关吗?

下一篇当前分类已是最新一篇

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