本文目录导读:

“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:
- 弧线 vs 直线传中精准率对比(验证弧线是否真的更准)
- 按传中方向(内旋/外旋)分组
注意事项
- 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。
- “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。
- 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。
- 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。
版权声明:本站文章为原创整理,转载请注明出处。