python案例如何分析球员之间的默契程度?

wen python案例 2

足球/篮球球员默契度分析案例

下面我用 Python 展示一个完整的球员默契度分析方案,涵盖数据构建、指标设计、可视化。

python案例如何分析球员之间的默契程度?


核心思路

默契度本质是"两人同场时球队表现是否优于各自单独在场时的表现",常用三类指标:

类型 指标 含义
共现类 同场时间、共同传球次数 合作频率
效果类 同场净胜分/净胜球、共同进攻效率 合作质量
网络类 传球网络中心性、边权重 配合结构

案例 1:篮球阵容默契度(on/off 分析)

构造模拟数据

import pandas as pd
import numpy as np
import itertools
import networkx as nx
import matplotlib.pyplot as plt
from matplotlib import font_manager
# 中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
np.random.seed(42)
# 模拟 200 个回合:每回合 5 名球员,+- 得分
players = ['库里', '汤普森', '维金斯', '格林', '卢尼', '普尔', '库明加']
records = []
for gid in range(200):
    lineup = np.random.choice(players, 5, replace=False)
    margin = np.random.normal(2, 8)  # 该回合净胜分
    for p in lineup:
        records.append({'possession': gid, 'player': p, 'margin': margin})
df = pd.DataFrame(records)

计算两两同场净胜分与同场时长

# 每个回合每个球员的净胜分
lineup_margin = df.groupby('possession')['margin'].first()
# 构造球员-回合宽表
pivot = df.assign(val=1).pivot_table(
    index='possession', columns='player', values='val', fill_value=0)
results = []
for a, b in itertools.combinations(players, 2):
    mask = (pivot[a] == 1) & (pivot[b] == 1)
    joint_poss = mask.sum()
    if joint_poss < 10:  # 样本太少跳过
        continue
    joint_margin = lineup_margin[mask].mean()
    # 单独在场时的净胜分
    only_a = ((pivot[a] == 1) & (pivot[b] == 0))
    only_b = ((pivot[b] == 1) & (pivot[a] == 0))
    solo = pd.concat([lineup_margin[only_a], lineup_margin[only_b]]).mean()
    synergy = joint_margin - solo  # 默契增益
    results.append({
        'pair': f'{a}-{b}', 'joint_poss': joint_poss,
        'joint_margin': round(joint_margin, 2),
        'solo_margin': round(solo, 2),
        'synergy': round(synergy, 2)
    })
pair_df = pd.DataFrame(results).sort_values('synergy', ascending=False)
print(pair_df.head(10))

可视化双人默契排行

top = pair_df.head(10)
colors = ['#2ecc71' if v > 0 else '#e74c3c' for v in top['synergy']]
plt.figure(figsize=(10, 5))
plt.barh(top['pair'][::-1], top['synergy'][::-1], color=colors[::-1])
plt.axvline(0, color='gray', lw=0.8)
plt.xlabel('默契增益 (同场净胜 - 单独净胜)')'双人组合默契度排行')
plt.tight_layout(); plt.show()

案例 2:足球传球网络默契度

# 模拟传球数据:A 传给 B 的次数
passes = pd.DataFrame([
    ('德布劳内','哈兰德',45), ('哈兰德','德布劳内',12),
    ('德布劳内','福登',38),   ('福登','德布劳内',30),
    ('罗德里','德布劳内',52), ('德布劳内','罗德里',40),
    ('哈兰德','福登',18),     ('福登','哈兰德',15),
    ('罗德里','福登',25),     ('福登','罗德里',22),
    ('沃克','罗德里',30),     ('罗德里','沃克',28),
], columns=['from','to','count'])

构建加权有向图 + 计算互传指数

G = nx.DiGraph()
for _, r in passes.iterrows():
    G.add_edge(r['from'], r['to'], weight=r['count'])
def mutual_index(g, a, b):
    """互传默契 = 双向传球的最小值占最大值比例 × 总量"""
    ab = g[a][b]['weight'] if g.has_edge(a, b) else 0
    ba = g[b][a]['weight'] if g.has_edge(b, a) else 0
    if max(ab, ba) == 0: return 0
    balance = min(ab, ba) / max(ab, ba)   # 互惠性
    volume = ab + ba                      # 总量
    return round(balance * volume, 1)
pairs = [('德布劳内','哈兰德'), ('德布劳内','福登'),
         ('罗德里','德布劳内'), ('哈兰德','福登'),
         ('罗德里','福登'), ('沃克','罗德里')]
for a, b in pairs:
    print(f'{a} ↔ {b}: 互传指数 = {mutual_index(G, a, b)}')

传球网络图

plt.figure(figsize=(8, 8))
pos = nx.spring_layout(G, seed=7, k=0.9)
edges = G.edges(data=True)
widths = [d['weight']/10 for _,_,d in edges]
nx.draw_networkx_nodes(G, pos, node_size=2200, node_color='#3498db', alpha=0.9)
nx.draw_networkx_labels(G, pos, font_size=11, font_color='white')
nx.draw_networkx_edges(G, pos, width=widths, arrows=True,
                       edge_color='gray', alpha=0.7,
                       connectionstyle='arc3,rad=0.1')
edge_labels = {(u,v): d['weight'] for u,v,d in edges}
nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, font_size=8)'球队传球网络(线宽=传球次数)')
plt.axis('off'); plt.show()

进阶指标汇总

指标 公式 解读
同场净胜增益 同场净胜分 − 单独净胜分 >0 表示互补
互传指数 min(ab,ba)/max(ab,ba) × (ab+ba) 传球越均衡越默契
共现频率 同场回合数 / 总回合数 教练信任度
共同效率提升 (同场命中率−单场命中率)/单场命中率 投篮协同
网络介数中心性 nx.betweenness_centrality(G) 谁是"粘合剂"球员

关键注意事项

  1. 样本量:同场 < 10 回合的组合结果噪声大,建议加置信区间或贝叶斯收缩(synergy_shrunk = synergy * n/(n+k))。
  2. 对手校正:用对手强度做回归修正后再比较(如 RAPM 模型)。
  3. 位置差异:后卫-中锋 vs 后卫-后卫的"默契"语义不同,最好分位置讨论。
  4. 时间衰减:赛季中后期可对近期比赛加权(exp(-λ·t))。

需要我针对某一类数据(如 StatsBomb 事件数据、NBA play-by-play)给出真实数据读取的完整代码吗?如果需要,请告诉我数据格式,我帮你写加载和处理部分。

上一篇根据python案例,尾声阶段注意力下降明显?

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