根据Python案例，进攻三区传球成功率？

wen python案例 2026-07-27 2

本文目录导读：

案例背景
步骤 1：模拟或读取数据
步骤 2：定义进攻三区并过滤数据
步骤 3：计算传球成功率
步骤 4：进阶分析（可选，增加实战意义）
步骤 5：可视化（建议）
可能遇到的常见问题及解决（针对Python案例）

针对你提到的“进攻三区传球成功率”这一数据指标，结合Python的体育数据分析（特别是足球分析）案例，我们可以从数据获取、数据清洗、核心计算逻辑、可视化四个维度来拆解这个案例。

由于你没有提供具体的原始数据格式（例如是来自StatsBomb、WyScout的XML/JSON，或者是手动整理的CSV），我为你构建一个通用的、可运行的Python分析案例，并附带核心代码解释。

案例背景

定义：进攻三区通常指球场上距离对方球门约35-40米以内的区域（即最后1/3场地）。
目标：计算某球员或某支球队在进攻三区内，所有传球的成功率（成功传球次数 / 总传球次数）。
数据字段假设：一个包含每脚传球信息的CSV文件。

步骤 1：模拟或读取数据

假设我们有一个名为 passes.csv 的文件，包含以下列：player_name、x（传球起点x坐标）、y（传球起点y坐标）、pass_outcome（传球结果，如 “Successful”, “Unsuccessful”, “Key Pass”）。

import pandas as pd
import numpy as np
# 为了演示，我们创建模拟数据
np.random.seed(42)
data = {
    'player_name': ['Player_A'] * 50 + ['Player_B'] * 50,
    'x': np.random.uniform(70, 105, 100),  # 进攻三区通常在x>66（标准场地105米）
    'y': np.random.uniform(0, 68, 100),
    'pass_outcome': np.random.choice(['Successful', 'Unsuccessful'], 100, p=[0.7, 0.3])
}
df = pd.DataFrame(data)
print(df.head())

步骤 2：定义进攻三区并过滤数据

在标准的105m x 68m足球场中，进攻三区通常定义为 x坐标 >= 70（或根据具体数据源标准，有些定义为最后35米，即 x >= 70）。

# 定义进攻三区的阈值
ATTACKING_THIRD_X = 70  # 假设对方球门在x=105，这边是进攻方向
# 筛选出进攻三区的传球
attacking_third_passes = df[df['x'] >= ATTACKING_THIRD_X].copy()
print(f"进攻三区总传球次数: {len(attacking_third_passes)}")

步骤 3：计算传球成功率

这是核心逻辑：按球员分组，计算每个球员在进攻三区的传球成功率。

# 计算每组的总传球数和成功传球数
grouped = attacking_third_passes.groupby('player_name')['pass_outcome'].agg(
    total_passes='count',
    successful_passes=lambda x: (x == 'Successful').sum()
).reset_index()
# 计算成功率
grouped['success_rate'] = (grouped['successful_passes'] / grouped['total_passes']) * 100
print("\n进攻三区传球成功率统计:")
print(grouped)

输出示例：

   player_name  total_passes  successful_passes  success_rate
0    Player_A            36                 26     72.222222
1    Player_B            34                 24     70.588235

步骤 4：进阶分析（可选，增加实战意义）

在实际的足球分析案例中,仅仅计算“成功/总”是不够的，很多时候需要区分向前的传球或者关键传球。

1 计算“向前传球成功率”

假设数据中有 end_x（传球终点x坐标），向前传递定义为 end_x > x。

# 假设我们添加了终点坐标
df['end_x'] = df['x'] + np.random.uniform(-5, 15, 100)  # 模拟终点
# 过滤进攻三区的向前传球
attacking_third_passes['is_forward'] = attacking_third_passes['end_x'] > attacking_third_passes['x']
forward_passes = attacking_third_passes[attacking_third_passes['is_forward']]
# 计算向前传球成功率 (分组计算)
forward_grouped = forward_passes.groupby('player_name')['pass_outcome'].agg(
    forward_total='count',
    forward_success=lambda x: (x == 'Successful').sum()
)
forward_grouped['forward_success_rate'] = (forward_grouped['forward_success'] / forward_grouped['forward_total']) * 100
print("\n进攻三区向前传球成功率:")
print(forward_grouped)

步骤 5：可视化（建议）

使用 matplotlib 或 seaborn 绘制柱状图对比。

import matplotlib.pyplot as plt
plt.figure(figsize=(10, 5))
plt.bar(grouped['player_name'], grouped['success_rate'], color=['skyblue', 'lightcoral'])
plt.ylabel('Pass Success Rate (%)')'Attacking Third Pass Success Rate Comparison')
plt.ylim(0, 100)
for index, value in enumerate(grouped['success_rate']):
    plt.text(index, value + 1, f'{value:.1f}%', ha='center', va='bottom')
plt.show()

可能遇到的常见问题及解决（针对Python案例）

数据粒度问题：
- 问题：如果数据是“逐场比赛”的，需要按 match_id 分组后再汇总，否则不同比赛场次权重不一。
- 解决：在 groupby 中加入 match_id，或者先按比赛算率，再取平均。
进攻三区定义不一致：
- 问题：不同数据源（如Opta、StatsBomb）对“区域”的定义不同（有的按等距1/3，有的按事件位置）。
- 解决：始终硬编码明确的x坐标阈值（如 x > 70），并在文档中注明。
传球结果分类：
- 问题：pass_outcome 字段可能有多种值，如 “Key Pass”、“Assist”、“Offside Pass”、“Blocked”，哪些算“不成功”？
- 解决：定义清晰的规则，成功”指球到队友脚下且未被拦截/解围。 x in [‘Successful’, ‘Key Pass’, ‘Assist’]。

这个Python案例的核心逻辑是：

过滤：根据 x 坐标提取进攻三区事件。
聚合：按 player_name 分组，计数 count 和条件计数 sum(condition)。
计算：success_rate = sum(成功) / count(总) * 100。

如果你有具体的原始数据文件（比如Wyscout或StatsBomb的JSON格式），我可以帮你写更具体的解析代码。