本文目录导读：
Python案例实战：如何统计足球比赛中禁区内射门次数与禁区外射门对比分析
目录导读
为什么要分析禁区内射门次数对比？
在现代足球数据分析中，“禁区内射门次数”被视为衡量进攻效率的核心指标之一，根据Opta等专业体育数据机构的统计，禁区内射门的进球转化率通常比禁区外高出3-5倍（禁区外远射命中率约3%-5%，禁区内则可达15%-20%），通过Python自动化统计球队或球员在禁区内外的射门分布，可以帮助教练团队制定更具针对性的战术——若某支球队射门数量虽多但多来自禁区外,说明其渗透进禁区的能力不足。
案例背景：假设我们需要分析2023-2024赛季英超联赛中，曼城与阿森纳在最近一场焦点战中的射门数据，原始数据通常来自赛事API（如Sportradar或Footballdata.org）导出的JSON/CSV文件，其中包含每脚射门的精确坐标（x,y）及射门结果。
数据准备：获取与清洗足球赛事数据
数据字段结构示例
一般赛事API返回的射门事件记录格式如下： | 字段名 | 类型 | 示例值 | |--------|------|--------| | match_id | int | 123456 | | player | str | “Haaland” | | x_coord | float | 75.2 | | y_coord | float | 45.8 | | shot_result | str | “goal” / “saved” / “missed” | | minute | int | 62 |
- X坐标：通常以球场中圈为原点，纵向0~100（0为底线，100为对方底线）。
- Y坐标：横向0~50（0为左边界，50为右边界）。
数据清洗关键步骤
import pandas as pd
# 读取原始CSV数据
df = pd.read_csv('shots_data.csv')
# 过滤出本场曼城vs阿森纳的比赛数据
df_match = df[(df['team'] == 'Manchester City') & (df['match_id'] == 123456)]
# 剔除缺失坐标的行
df_match = df_match.dropna(subset=['x_coord', 'y_coord'])
# 检查坐标范围是否合理（0-100, 0-50）
df_match = df_match[(df_match['x_coord'] >= 0) & (df_match['x_coord'] <= 100) &
(df_match['y_coord'] >= 0) & (df_match['y_coord'] <= 50)]
注意：部分数据源的坐标可能以像素或英尺为单位，需统一归一化处理,否则后续判定禁区边界时会出错。
Python代码实现：禁区射门坐标判定与统计
禁区范围定义
根据国际足联（FIFA）标准，禁区（Penalty Area）在球场坐标系中的对应范围如下（假设球场长为100，宽为50）：
- 纵向范围：X坐标 > 83（即对方底线前16.5米左右，对应100-16.5=83.5，取83为近似）。
- 横向范围：Y坐标 > 16.7 且 Y < 33.3（禁区宽度约16.5米，对应50/2 ± 8.25）。
函数编写：判断射门是否在禁区内
def is_in_penalty_area(x, y):
# 对方禁区（假设进攻方向为X增加）
if x >= 83 and 16.7 <= y <= 33.3:
return True
return False
# 应用函数到数据框
df_match['in_penalty'] = df_match.apply(
lambda row: is_in_penalty_area(row['x_coord'], row['y_coord']), axis=1
)
# 统计禁区内外射门次数
penalty_shots = df_match[df_match['in_penalty'] == True]
outside_shots = df_match[df_match['in_penalty'] == False]
print(f"禁区内射门次数: {len(penalty_shots)}")
print(f"禁区外射门次数: {len(outside_shots)}")
进阶：统计禁区内外进球分布
# 禁区内进球
penalty_goals = penalty_shots[penalty_shots['shot_result'] == 'goal']
outside_goals = outside_shots[outside_shots['shot_result'] == 'goal']
print(f"禁区内进球: {len(penalty_goals)} (转化率: {len(penalty_goals)/len(penalty_shots)*100:.1f}%)")
print(f"禁区外进球: {len(outside_goals)} (转化率: {len(outside_goals)/len(outside_shots)*100:.1f}%)")
数据可视化：用图表呈现禁区内外射门对比
使用matplotlib和seaborn制作清晰的对比图表,便于报告展示。
射门位置散点图（含禁区矩形标注）
import matplotlib.pyplot as plt
import matplotlib.patches as patches
# 创建画布
fig, ax = plt.subplots(figsize=(10, 6))
# 绘制所有射门点，区分禁区内/外颜色
for idx, row in df_match.iterrows():
if row['in_penalty']:
ax.scatter(row['x_coord'], row['y_coord'], c='red', alpha=0.6, s=50)
else:
ax.scatter(row['x_coord'], row['y_coord'], c='blue', alpha=0.4, s=30)
# 绘制禁区矩形
penalty_rect = patches.Rectangle((83, 16.7), 17, 16.6,
linewidth=2, edgecolor='green', facecolor='none')
ax.add_patch(penalty_rect)
ax.set_xlim(0, 100)
ax.set_ylim(0, 50)
ax.set_title('曼城 vs 阿森纳：射门分布与禁区范围')
plt.show()
柱状图对比
labels = ['禁区内', '禁区外']
counts = [len(penalty_shots), len(outside_shots)]
plt.bar(labels, counts, color=['red', 'blue'])'禁区内/外射门次数对比')
plt.ylabel('射门次数')
plt.show()
常见问题与解决方案（Q&A）
❓ Q1：坐标数据不标准怎么办？
答：大部分体育API默认使用“进攻方向为X递增”的坐标系，如果数据源的X坐标是0~105（国际标准场地长度）,只需按比例缩放：
df['x_normalized'] = df['x_coord'] / 105 * 100 # 归一化到0~100
同理，Y坐标若为0~68（标准宽度），缩放为0~50。
❓ Q2：需要分析多家俱乐部的历史数据，代码如何复用？
答：将核心函数封装成类或模块，例如创建ShotAnalyzer类，构造方法接受数据集和比赛ID，统一处理坐标转换和禁区判定，后续只需调用compare_penalty_shots(team_name)方法即可。
❓ Q3：如何获取公开的足球赛事数据？
答：推荐以下免费/低成本渠道：
- Kaggle数据库：如“European Football Data”包含多赛季射门坐标。
- 体育数据API：Understat（提供详细xy坐标）、API-Football（部分免费额度）。
- 注意：个人学习用途建议使用公开数据集；商业用途需购买正规授权。
结论与延伸应用
通过Python自动化统计禁区内射门次数，不仅节省了传统手动录像回放的时间（一场比赛约需2小时人工标注），更提供了可复用的量化分析框架，从上述输出结果可以看出：若曼城禁区内射门占比为65%，而阿森纳仅为38%,则能直观反映前者在禁区内的进攻威胁更高。
延伸应用场景
- 球员效率评估：统计某球员在禁区内外的射门转化率,判断其最佳射门区域。
- 战术调整建议：若某球队禁区外射门占比异常高（>70%）,教练可针对性加强渗透传跑训练。
- 动态热力图：结合时间维度分析射门区域变化（例如下半场体能下降后，禁区外射门增多）。
最后提醒：本案例基于公开足球数据集，所有代码可在Jupyter Notebook中直接运行，如需完整代码包及示例数据，可关注“技术思维研究所”公众号发送“足球射门”获取,评论区欢迎讨论你在实际分析中遇到的坐标系问题或数据清洗难点！
