python案例如何分析球员之间的默契程度?

wen python案例 1

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。

python案例如何分析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

  1. 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。
  2. 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。
  3. 注意偏差:核心球员天然数据多,需用PageRank等归一化指标。
  4. 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。
  5. 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。

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