球员默契程度分析案例
下面是一个完整的Python案例分析框架,用于量化球员之间的默契程度。

分析思路
默契程度可以从以下几个维度量化:
| 维度 | 含义 | 数据来源 |
|---|---|---|
| 传球网络 | 相互传球频率、成功率 | 传球事件数据 |
| 空间协同 | 跑位重叠、补位、距离 | 位置追踪数据 |
| 配合效率 | 相互助攻、二过一、连线进球 | 事件数据 |
| 时间维度 | 同场时长、共同出场次数 | 阵容数据 |
| 网络中心性 | 在团队协作网络中的位置 | 图论分析 |
完整代码案例
数据准备
import pandas as pd
import numpy as np
import networkx as nx
import matplotlib.pyplot as plt
from itertools import combinations
from collections import defaultdict
# 模拟传球数据(真实场景可从StatsBomb、Opta等获取)
# 每条记录:传球者、接球者、是否成功、比赛ID、时间
np.random.seed(42)
players = ['Messi', 'Neymar', 'Mbappe', 'Verratti', 'Hakimi',
'Marquinhos', 'Di Maria', 'Paredes', 'Gueye', 'Navas']
passes = []
for match_id in range(1, 11): # 10场比赛
for _ in range(300):
p1, p2 = np.random.choice(players, 2, replace=False)
success = np.random.choice([1, 0], p=[0.85, 0.15])
passes.append([match_id, p1, p2, success])
df = pd.DataFrame(passes, columns=['match_id', 'passer', 'receiver', 'success'])
print(df.head())
构建传球网络
def build_pass_network(df, min_passes=5):
"""构建有向加权传球网络"""
G = nx.DiGraph()
# 按传球对统计
pair_stats = df.groupby(['passer', 'receiver']).agg(
total=('success', 'size'),
success=('success', 'sum')
).reset_index()
for _, row in pair_stats.iterrows():
if row['total'] >= min_passes:
G.add_edge(
row['passer'], row['receiver'],
weight=row['total'],
success_rate=row['success'] / row['total']
)
return G
G = build_pass_network(df)
print(f"网络节点数: {G.number_of_nodes()}, 边数: {G.number_of_edges()}")
计算默契度指标
def calculate_chemistry_score(G, df):
"""
综合默契度评分:
- 传球频次 (40%)
- 传球成功率 (30%)
- 双向平衡度 (20%): 相互传球是否均衡
- 网络中心性 (10%)
"""
results = []
for p1, p2 in combinations(G.nodes(), 2):
# 正向 & 反向传球
ab = G.get_edge_data(p1, p2)
ba = G.get_edge_data(p2, p1)
freq_ab = ab['weight'] if ab else 0
freq_ba = ba['weight'] if ba else 0
total_freq = freq_ab + freq_ba
if total_freq == 0:
continue
# 1. 传球频次得分(归一化)
max_freq = max(d['weight'] for _, _, d in G.edges(data=True))
freq_score = total_freq / max_freq
# 2. 加权成功率
sr_ab = ab['success_rate'] if ab else 0
sr_ba = ba['success_rate'] if ba else 0
success_score = (sr_ab * freq_ab + sr_ba * freq_ba) / total_freq
# 3. 双向平衡度(1表示完全对称)
balance = 1 - abs(freq_ab - freq_ba) / total_freq
# 4. 中心性(PageRank均值)
pr = nx.pagerank(G, weight='weight')
centrality = (pr[p1] + pr[p2]) / 2 * len(G.nodes()) # 归一化
# 综合评分(0-100)
score = (0.4 * freq_score + 0.3 * success_score
+ 0.2 * balance + 0.1 * centrality) * 100
results.append({
'player1': p1, 'player2': p2,
'freq_total': total_freq,
'success_rate': round(success_score, 3),
'balance': round(balance, 3),
'chemistry_score': round(score, 2)
})
return pd.DataFrame(results).sort_values(
'chemistry_score', ascending=False
).reset_index(drop=True)
chem = calculate_chemistry_score(G, df)
print(chem.head(10))
输出示例:
player1 player2 freq_total success_rate balance chemistry_score
0 Messi Mbappe 45 0.933 0.911 87.32
1 Verratti Marquinhos 42 0.905 0.952 84.10
...
可视化默契网络
def visualize_chemistry(G, chem_df, top_n=15):
"""绘制默契网络图,边粗细代表默契度"""
plt.figure(figsize=(12, 10))
# 节点位置
pos = nx.spring_layout(G, seed=42, k=0.8)
# 节点大小按度数
degrees = dict(G.degree(weight='weight'))
node_sizes = [degrees[n] * 30 for n in G.nodes()]
# 绘制全部传球边(浅灰底图)
nx.draw_networkx_edges(G, pos, alpha=0.15, width=1, edge_color='gray')
# 高亮Top N默契对
top_pairs = chem_df.head(top_n)
for _, row in top_pairs.iterrows():
width = row['chemistry_score'] / 20
nx.draw_networkx_edges(
G, pos,
edgelist=[(row['player1'], row['player2'])],
width=width, edge_color='red', alpha=0.7
)
nx.draw_networkx_nodes(G, pos, node_size=node_sizes,
node_color='lightblue', edgecolors='black')
nx.draw_networkx_labels(G, pos, font_size=10, font_weight='bold')
plt.title('球员默契网络 (红线越粗 = 默契越高)', fontsize=14)
plt.axis('off')
plt.tight_layout()
plt.show()
visualize_chemistry(G, chem)
进阶:时间维度分析(同场时长加成)
def add_playing_time_factor(chem_df, lineup_df):
"""
lineup_df: columns = ['match_id', 'player']
统计同场次数作为置信度调整
"""
# 每场比赛球员集合
match_players = lineup_df.groupby('match_id')['player'].apply(set)
def same_match_count(p1, p2):
return sum(1 for s in match_players if p1 in s and p2 in s)
chem_df['same_matches'] = chem_df.apply(
lambda r: same_match_count(r['player1'], r['player2']), axis=1
)
# 按同场次数加权(至少同场3次才算有效)
chem_df['final_score'] = chem_df['chemistry_score'] * np.minimum(
chem_df['same_matches'] / 5, 1.5
)
return chem_df.sort_values('final_score', ascending=False)
# 示例:生成阵容数据
lineups = []
for mid in range(1, 11):
for p in np.random.choice(players, 9, replace=False):
lineups.append([mid, p])
lineup_df = pd.DataFrame(lineups, columns=['match_id', 'player'])
chem_final = add_playing_time_factor(chem, lineup_df)
print(chem_final[['player1','player2','chemistry_score',
'same_matches','final_score']].head())
可扩展的高级方法
空间默契(基于追踪数据)
from scipy.spatial.distance import cosine
def spatial_chemistry(tracking_df):
"""
tracking_df: 每帧每球员的(x,y)坐标
计算两名球员平均距离、移动方向相似性
"""
# 平均距离越近 + 移动方向越一致 → 默契越高
# 常用于分析跑位互补性
pass
机器学习方法
from sklearn.ensemble import GradientBoostingRegressor # 特征:传球次数、成功率、共同进球、同场时长、位置距离… # 标签:人工标注的默契等级 或 球队净胜球贡献 # 用GBDT/SHAP分析哪些因素对默契贡献最大
图神经网络 (GNN)
- 用 PyTorch Geometric 构建传球图
- 学习球员embedding,越相似的embedding代表默契越高
- 可预测未来配合成功概率
真实数据源建议
| 数据 | 平台 | 免费 |
|---|---|---|
| StatsBomb事件数据 | statsbombpy库 | |
| Opta/事件 | FBref | |
| 追踪数据 | SkillCorner, Metrica | 部分 |
# 使用 statsbombpy 获取真实数据 from statsbombpy import sb matches = sb.matches(competition_id=11, season_id=90) # La Liga events = sb.events(match_id=matches.iloc[0]['match_id'])
分析结论输出示例
TOP 5 默契组合:
1. Messi - Mbappe 87.3分 (45次传球, 93.3%成功, 均衡度0.91)
2. Verratti - Marquinhos 84.1分 (42次传球, 90.5%成功, 均衡度0.95)
3. Neymar - Mbappe 81.5分 (38次传球, 89.2%成功, 均衡度0.78)
...
默契网络洞察:
- 核心枢纽:Verratti (PageRank最高)
- 最强双向连接:Marquinhos ↔ Verratti
- 单向依赖问题:Hakimi → Mbappe 传球过多(不对称)
关键要点总结
- 多维度融合:单看传球次数会误导(核心球员传球多≠默契),需结合成功率、方向平衡度、同场时长。
- 双向性重要:真正的默契是"你来我往",A→B多但B→A少说明是战术依赖而非默契。
- 注意偏差:核心球员天然数据多,需用PageRank等归一化指标。
- 结合位置:后卫-后卫间的默契标准与前锋-中场不同,建议分组分析。
- 时间衰减:可加指数衰减权重,近期配合比历史更重要。
如需针对某支球队的真实数据做完整分析,可以告诉我数据来源(StatsBomb/FBref/Opta等),我可以给出更具体的代码。
版权声明:本站文章为原创整理,转载请注明出处。