Python案例统计门前抢点射门次数对比？

wen python案例 2026-07-26 2

Python统计门前抢点射门次数对比分析

目录导读

项目背景：为什么需要量化门前抢点射门？
数据准备：如何构建射门事件数据集
Python实现：从清洗到统计的核心代码
对比分析：不同球员/球队的抢点效率差异
结果可视化：用图表讲出数据故事
常见问题解答（FAQ）
总结与延伸应用

项目背景：为什么需要量化门前抢点射门？

在现代足球分析中,门前抢点射门（通常指小禁区或点球点附近的直接射门）是衡量前锋终结能力的关键指标，相比于远射或头球，抢点射门往往意味着更高的进球转化率，因此教练组和球探会重点统计这类事件。

Python案例统计门前抢点射门次数对比？

但手动统计比赛视频中的抢点次数不仅耗时,还容易产生主观偏差，借助 Python编程 和公开比赛数据（如StatsBomb、Wyscout等平台提供的事件数据），我们可以批量处理数百场比赛，精确计算出每位球员在“门前6码区”内的射门次数、射正率与进球数。

核心问题：某豪门球队的两位前锋，A球员抢点射门次数更多，但B球员进球效率更高——如何用数据验证这一现象？

数据准备：如何构建射门事件数据集

1 数据来源选择

StatsBomb开源数据：提供英超、世界杯等赛事的事件级JSON数据，包含射门坐标（x/y）、射门结果（进球/射正/射偏/被封堵）、比赛阶段等信息。
自定义爬虫：若需特定联赛数据，可爬取FBref或Transfermarkt的统计表。

2 定义“门前抢点”的标准

为量化统计,我们定义：

区域：球门中心点为原点，宽度18码（约16.5米），深度6码（约5.5米）的矩形区域。
事件：射门时球员坐标位于该区域内，且射门方式为“左脚/右脚直接射门”（排除头球和远距离凌空）。

3 数据加载示例

import pandas as pd
import json
# 加载StatsBomb比赛数据
with open('events.json', 'r') as f:
    data = json.load(f)
# 筛选射门事件（type_name == 'Shot'）
shots_df = pd.DataFrame([event for event in data if event['type']['name'] == 'Shot'])

Python实现：从清洗到统计的核心代码

1 坐标转换与区域过滤

StatsBomb的坐标系统以球场中心为(0,0)，单位是码（yard），我们需要将坐标转换为以球门中心为原点的相对坐标：

def in_box_6yard(x, y):
    # 假设球门中心在(120, 40)（StatsBomb球场尺寸120x80）
    goal_center_x, goal_center_y = 120, 40
    rel_x = x - goal_center_x
    rel_y = y - goal_center_y
    # 门前6码：x方向偏移0~6，y方向偏移-9~9（球门宽度18码）
    return (0 <= rel_x <= 6) and (-9 <= rel_y <= 9)
# 应用过滤
def filter_6yard_shots(shots_df):
    # 提取坐标（注意StatsBomb坐标为列表[x,y]）
    shots_df['x'] = shots_df['location'].apply(lambda loc: loc[0])
    shots_df['y'] = shots_df['location'].apply(lambda loc: loc[1])
    shots_df['in_box'] = shots_df.apply(lambda row: in_box_6yard(row['x'], row['y']), axis=1)
    return shots_df[shots_df['in_box'] == True]

2 统计关键指标

对筛选出的抢点射门事件,按球员分组统计：

def stat_by_player(filtered_shots):
    # 统计射门次数、射正次数、进球数
    stats = filtered_shots.groupby('player_name').agg(
        射门次数=('shot_type', 'count'),
        射正次数=('shot_statsbomb_xg', lambda x: (x['shot_outcome']=='Goal' or x['shot_outcome']=='Saved').sum()),
        进球数=('shot_outcome', lambda x: (x=='Goal').sum())
    ).reset_index()
    # 计算转化率
    stats['转化率'] = stats['进球数'] / stats['射门次数']
    return stats.sort_values('射门次数', ascending=False)

对比分析：不同球员/球队的抢点效率差异

1 案例数据展示

假设我们统计了2023-24赛季英超某强队两位前锋的数据：

球员	门前抢点射门次数	射正次数	进球数	转化率
球员A	48	20	10	8%
球员B	32	18	9	1%

关键发现：

球员A的抢点射门次数多出50%，但转化率比球员B低7个百分点。
进一步查看射门质量：球员A的射门平均预期进球（xG）为0.15，而球员B为0.22——说明球员B更擅长在高质量位置完成射门。

2 误差修正建议

统计时需注意：

小样本偏差：若球员总射门不足20次，转化率可能不可靠。
对手防守强度：球员A面对高强度逼抢时抢点次数下降35%（可增加“防守压力”标签校正）。

结果可视化：用图表讲出数据故事

使用Matplotlib和Seaborn生成对比散点图和饼图：

import matplotlib.pyplot as plt
import seaborn as sns
# 画散点图：射门次数vs转化率
plt.figure(figsize=(10,6))
sns.scatterplot(data=player_stats, x='射门次数', y='转化率', 
                size='进球数', hue='球员名称', sizes=(50,500))'门前抢点射门：次数与效率对比')
plt.xlabel('门前抢点射门次数')
plt.ylabel('进球转化率')
plt.axhline(y=0.25, linestyle='--', color='gray', label='联赛平均转化率')
plt.legend()
plt.show()

可视化效果：可以清晰看出球员B位于高转化率区域，而球员A虽然次数多但效率偏低。