实用脚本如何结合xGA评估防守表现？

本文目录导读：

1. 核心维度拆解
2. 实用脚本设计（Python示例）
3. 进阶：可视化雷达图脚本
4. 核心分析逻辑总结
5. 实用脚本的适用场景

这是一个非常专业且务实的问题，在足球分析领域，xGA（预期失球数） 本身是衡量“防守结果”的指标，但要评估真正的“防守表现”，我们需要将它与对手的射门质量、防守行为以及门将扑救结合起来。

单纯看xGA高低会有误导性（对手狂轰滥炸但xGA值很高，说明防守体系被击穿；对手传中满天飞但xGA很低，说明防守限制做得好）。

以下是一个结合实用脚本（Python/Pandas）的评估防守表现的逻辑框架和代码思路。

核心维度拆解

要评估防守表现，我们不能只看一个xGA数,需要拆解为以下四个核心维度：

1. 限制对手射门数量（Volume）：对手射门总数（npxG，即排除点球的射门）。
2. 限制对手射门质量（Quality）：对手平均每次射门的xG值（xG per Shot）,这反映了防守是否让对手在低威胁区域起脚。
3. 高位压迫与拦截（Disruption）：PPDA（每次防守行动允许对手传球次数）、抢断数、拦截数,这反映了防守的主动性。
4. 门将的表现（Goalkeeping）：xGA与失球数（GA）的差值（PSxG-GA，即门将扑救预期与失球差），这用来剔除门将超神/超鬼对防守数据的污染。

实用脚本设计（Python示例）

假设我们有一份比赛事件数据（如StatsBomb或Wyscout格式）,我们编写一个脚本来综合评估。

第一步：数据预处理与基础指标计算

import pandas as pd
import numpy as np
# 假设 df 是包含所有射门事件的DataFrame
# 字段：team（进攻方）、opponent（防守方）、shot_type（射门类型）、xG（该次射门的xG）、
#       location（位置）、body_part（身体部位）、assist_type（助攻类型）
#       home_team, away_team, season
# --- 1. 计算防守方的 xGA（即进攻方的总xG） ---
def calculate_xga(df):
    # 筛选所有射门事件（排除点球）
    shots = df[df['shot_type'] != 'Penalty'].copy()
    # 按比赛和防守方聚合
    xga_data = shots.groupby(['match_id', 'opponent']).agg(
        opponent_shots=('xG', 'count'),      # 对手射门数
        xga_total=('xG', 'sum')              # 总xGA
    ).reset_index()
    # 计算每次射门的平均质量 (xG per Shot)
    xga_data['xG_per_shot'] = xga_data['xga_total'] / xga_data['opponent_shots']
    return xga_data
# --- 2. 限制性防守指标 (PPDA - 每次防守行动允许传球数) ---
# 需要传球数据和防守动作数据
def calculate_ppda(passes, defensive_actions):
    # 防守动作：抢断、拦截、犯规
    actions = defensive_actions[defensive_actions['type'].isin(['Tackle', 'Interception', 'Foul'])].copy()
    # 只统计对方后场2/3区域的防守动作（高位压迫指标）
    # 假设球场的x坐标是0-100，这里仅算示例
    actions['high_press'] = np.where(actions['x'] > 60, 1, 0)  # 示例阈值
    # 计算每个队的PPDA
    ppda_data = passes.groupby(['match_id', 'team']).size().reset_index(name='allowed_passes')
    action_data = actions.groupby(['match_id', 'team']).size().reset_index(name='def_actions')
    # 合并
    ppda_df = ppda_data.merge(action_data, left_on=['match_id', 'team'], right_on=['match_id', 'team'])
    ppda_df['PPDA'] = ppda_df['allowed_passes'] / ppda_df['def_actions']
    return ppda_df

第二步：引入门将表现（PSxG - 射正后预期失球）

这一步非常关键,我们要把门将的扑救从防守体系中剥离出来。

# --- 3. 门将表现评估 (PSxG vs GA) ---
import json
def calculate_gk_performance(events):
    """
    计算门将数据。
    PSxG 是射正后的预期进球，GA 是实际失球。
    PSxG - GA 为正值说明门将表现低于预期（丢球过多），负值说明门将表现超出预期。
    """
    # 筛选射正且导致进球或扑救的事件
    goal_events = events[(events['shot_outcome'] == 'Goal') & (events['shot_type'] == 'Penalty')]
    # 注意：我们需要更精细的数据，这里简化
    psxg_data = events[['match_id', 'team']].drop_duplicates()
    # 假设有一个 column: psxg 和 goals_conceded
    gk_stats = events.groupby(['match_id', 'team']).agg(
        psxg=('psxg', 'sum'),
        goals_conceded=('goals_conceded', 'sum') # 如果是防守方视角
    ).reset_index()
    gk_stats['gk_diff'] = gk_stats['psxg'] - gk_stats['goals_conceded']
    return gk_stats

第三步：综合评分模型（核心）

这个脚本的核心是将上述指标压缩成一个可视化的“防守强度评分”。

# --- 4. 防守表现综合评估函数 ---
def evaluate_defensive_performance(xga_df, ppda_df, gk_df, team_name):
    """
    结合xGA、射门限制、压迫强度、门将表现，输出防守画像。
    """
    team_xga = xga_df[xga_df['team'] == team_name]
    team_ppda = ppda_df[ppda_df['team'] == team_name]
    team_gk = gk_df[gk_df['team'] == team_name]
    # 计算加权得分（基础版）
    # 1. 控制对手射门质量得分（越低越好）
    # 这里假设所有值都是按赛季平均标准化
    league_avg_xg_per_shot = xga_df['xG_per_shot'].mean()
    league_std_xg_per_shot = xga_df['xG_per_shot'].std()
    # 转为Z-score（标准分数）
    z_xg_per_shot = (team_xga['xG_per_shot'].mean() - league_avg_xg_per_shot) / league_std_xg_per_shot
    # Z-score越低，防守越好（因为限制对手射门质量好）
    quality_score = -z_xg_per_shot  # 取负值，让“限制性好”变成正分
    # 2. 压迫指标得分（PPDA越低越好，代表逼抢越凶）
    league_avg_ppda = ppda_df['PPDA'].mean()
    league_std_ppda = ppda_df['PPDA'].std()
    z_ppda = (team_ppda['PPDA'].mean() - league_avg_ppda) / league_std_ppda
    pressure_score = -z_ppda
    # 3. 门将表现得分（gk_diff为负值代表门将发挥好，或者忽略门将，看防守体系本身）
    # 注意：评估防守体系时，通常用“镜前xGA”而不是“实际失球”，
    # 所以我们应该看“门将面对的期望失球”减去“门将实际丢球”。
    # 如果门将表现好（PSxG-GA为正），说明防守体系其实没那么好，但门将兜底了。
    # 为了评估防守表现，我们更关注“非门将因素”，即 xGA - PSxG。
    # 这其实是“防守体系让门将面临什么样质量的射门”。
    # 这里简化为输出防守体系xGA的原始值大小
    overall_xga_rating = team_xga['xga_total'].mean()
    # 输出结果
    print(f"球队: {team_name}")
    print(f"  🎯 对手射门质量 (xG/Shot): {team_xga['xG_per_shot'].mean():.3f} (联赛均值: {league_avg_xg_per_shot:.3f})")
    print(f"  🧤 压迫强度 (PPDA): {team_ppda['PPDA'].mean():.2f} (越低越激进)")
    print(f"  🥅 场均xGA: {overall_xga_rating:.2f}")
    print(f"  📊 综合防守评分: {quality_score + pressure_score:.2f} (正数表示优于联赛平均)")
    return {
        'team': team_name,
        'xGA_per_match': overall_xga_rating,
        'opp_shot_quality': team_xga['xG_per_shot'].mean(),
        'PPDA': team_ppda['PPDA'].mean(),
        'defensive_index': quality_score + pressure_score
    }

进阶：可视化雷达图脚本

这是比较直观的展示方式,方便快速对比。

import matplotlib.pyplot as plt
import math
def plot_defensive_radar(team_stats, league_averages):
    """
    team_stats: 目标球队的各项指标
    league_averages: 联赛平均值
    """
    categories = ['限制射门质量', '低位防守密度', '高位压迫强度', '人盯人执行力', '反抢效率']
    # 计算各项指标的相对水平 (0-1)
    # 注意：有些指标越小越好（如xG per Shot），有些越大越好（如拦截数）
    values = [
        min(team_stats['opp_shot_quality'] / league_averages['opp_shot_quality'], 1) * 100,  # 质量限制
        # 其他维度类似...
        min(team_stats['xGA_per_match'] / league_averages['xGA_per_match'], 1) * 100,
        # ...
    ]
    # 绘制雷达图
    angles = np.linspace(0, 2 * np.pi, len(categories), endpoint=False).tolist()
    values += values[:1]  # 闭合图形
    fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))
    ax.fill(angles, values, color='blue', alpha=0.25)
    ax.set_xticks(angles[:-1])
    ax.set_xticklabels(categories)
    plt.title('防守表现雷达图')
    plt.show()

核心分析逻辑总结

在实际分析中，评估防守表现时，建议遵循以下数据链路：

1. 看总量（xGA）：确认防守体系是否容易被射门。
2. 看质量（xG per Shot）：确认防守是让对手“远射碰运气”还是“单刀直入”。防守好的球队通常能把对手xG/Shot压在0.10以下（联赛均值一般在0.10-0.12）。
3. 看压迫（PPDA）：确认防守是主动出击还是被动挨打。
4. 扣掉门将（PSxG）：如果一支球队xGA很高，但丢球很少，这可能是门将神勇，而非防守出色，反之，如果xGA很低，但失球很多,说明门将拖累了防守数据。

实用脚本的适用场景

• 球探报告：评估对手防守风格（是低位铁桶阵还是高位逼抢）。
• 个人表现：评估“防线球员”而不包括门将的贡献。
• 战术调整：通过对比xGA和PPDA，找出“高压被过”或者“低位防不住远射”的具体问题。

如果你有具体的数据格式（例如是Wyscout JSON还是StatsBomb JSON），我可以帮你写出更精确的清洗和聚合代码,你目前拿到的数据主要包含哪些字段？