我来设计一个综合的Python案例,分析足球运动员的高速跑动距离对比。
项目：足球运动员高速跑动距离分析系统
数据处理模块
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime
import warnings
warnings.filterwarnings('ignore')
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
class FootballDataProcessor:
"""足球运动员跑动数据分析类"""
def __init__(self):
# 高速跑动阈值（km/h）
self.high_speed_threshold = 24
# 冲刺阈值（km/h）
self.sprint_threshold = 27
# 生成模拟数据
self.generate_sample_data()
def generate_sample_data(self):
"""生成模拟的球员跑动数据"""
np.random.seed(42)
players = ['梅西', 'C罗', '姆巴佩', '哈兰德', '内马尔',
'凯恩', '维尼修斯', '萨拉赫', '莱万', '德布劳内']
positions = ['前锋', '前锋', '边锋', '中锋', '边锋',
'中锋', '边锋', '边锋', '中锋', '中场']
teams = ['巴黎', '利雅得', '皇马', '曼城', '巴黎',
'拜仁', '皇马', '利物浦', '巴萨', '曼城']
data = []
for i in range(len(players)):
# 为每个球员生成10场比赛的数据
for match in range(10):
# 基础跑动距离（米）
base_distance = np.random.normal(10500, 800)
# 高速跑动距离（米）- 基于位置调整
position_factor = {'前锋': 1.2, '边锋': 1.3, '中锋': 1.15, '中场': 0.95}
high_speed_distance = base_distance * 0.08 * position_factor[positions[i]]
# 冲刺距离
sprint_distance = high_speed_distance * np.random.uniform(0.35, 0.5)
# 最高速度
max_speed = np.random.normal(33, 2)
# 高速跑动次数
high_speed_sprints = int(np.random.normal(25, 5))
data.append({
'球员': players[i],
'位置': positions[i],
'球队': teams[i],
'场次': f'第{match+1}场',
'总跑动距离': base_distance,
'高速跑动距离': high_speed_distance,
'冲刺距离': sprint_distance,
'最高速度': max_speed,
'高速跑动次数': high_speed_sprints,
'比赛日期': datetime(2024, 1 + match//3, 1 + (match*3)%28)
})
self.df = pd.DataFrame(data)
# 添加计算字段
self.df['高速跑动占比'] = (self.df['高速跑动距离'] / self.df['总跑动距离'] * 100).round(2)
def get_basic_stats(self):
"""获取基本统计数据"""
stats = {
'球员数': len(self.df['球员'].unique()),
'总场次': len(self.df),
'平均高速跑动距离': self.df['高速跑动距离'].mean().round(2),
'最高高速跑动距离': self.df['高速跑动距离'].max().round(2),
'平均高速跑动占比': self.df['高速跑动占比'].mean().round(2)
}
return stats
def get_player_summary(self):
"""获取球员汇总数据"""
summary = self.df.groupby(['球员', '位置', '球队']).agg({
'高速跑动距离': ['mean', 'max', 'min', 'std'],
'冲刺距离': 'mean',
'最高速度': 'max',
'高速跑动次数': 'mean',
'高速跑动占比': ['mean', 'max']
}).round(2)
# 重命名列
summary.columns = ['平均高速跑动', '最高高速跑动', '最低高速跑动',
'高速跑动标准差', '平均冲刺距离', '赛季最高速度',
'平均高速跑动次数', '平均高速占比', '最高高速占比']
return summary.sort_values('平均高速跑动', ascending=False)
可视化分析模块
class FootballVisualizer:
"""可视化分析类"""
def __init__(self, processor):
self.processor = processor
self.df = processor.df
self.setup_style()
def setup_style(self):
"""设置绘图风格"""
plt.style.use('seaborn-v0_8-darkgrid')
self.colors = sns.color_palette("Set2", 10)
def plot_high_speed_comparison(self):
"""绘制高速跑动距离对比图"""
fig, axes = plt.subplots(2, 2, figsize=(15, 10))
# 图1：球员平均高速跑动距离条形图
ax1 = axes[0, 0]
player_avg = self.df.groupby('球员')['高速跑动距离'].mean().sort_values(ascending=True)
ax1.barh(player_avg.index, player_avg.values, color=self.colors)
ax1.set_xlabel('高速跑动距离（米）')
ax1.set_title('球员平均高速跑动距离对比')
# 图2：球员高速跑动占比
ax2 = axes[0, 1]
player_ratio = self.df.groupby('球员')['高速跑动占比'].mean().sort_values(ascending=True)
ax2.barh(player_ratio.index, player_ratio.values, color=self.colors)
ax2.set_xlabel('高速跑动占比（%）')
ax2.set_title('球员高速跑动占比对比')
# 图3：箱线图 - 球员高速跑动分布
ax3 = axes[1, 0]
data_by_player = [self.df[self.df['球员'] == p]['高速跑动距离'] for p in player_avg.index]
bp = ax3.boxplot(data_by_player, labels=player_avg.index)
ax3.set_ylabel('高速跑动距离（米）')
ax3.set_title('球员高速跑动距离分布')
ax3.tick_params(axis='x', rotation=45)
# 图4：按位置对比
ax4 = axes[1, 1]
pos_data = [self.df[self.df['位置'] == pos]['高速跑动距离']
for pos in ['前锋', '边锋', '中锋', '中场']]
pos_labels = ['前锋', '边锋', '中锋', '中场']
ax4.boxplot(pos_data, labels=pos_labels)
ax4.set_ylabel('高速跑动距离（米）')
ax4.set_title('不同位置球员高速跑动对比')
plt.tight_layout()
plt.show()
def plot_trend_analysis(self):
"""绘制跑动趋势分析"""
fig, axes = plt.subplots(1, 3, figsize=(18, 5))
# 1. 高速跑动距离与冲刺距离关系
ax1 = axes[0]
scatter = ax1.scatter(self.df['高速跑动距离'], self.df['冲刺距离'],
c=self.df['最高速度'], cmap='viridis', alpha=0.6)
ax1.set_xlabel('高速跑动距离（米）')
ax1.set_ylabel('冲刺距离（米）')
ax1.set_title('高速跑动 vs 冲刺距离')
plt.colorbar(scatter, ax=ax1, label='最高速度')
# 2. 各种跑动指标雷达图
ax2 = plt.subplot(132, projection='polar')
# 选取几位代表球员
top_players = self.df.groupby('球员')[['高速跑动距离', '冲刺距离',
'最高速度', '高速跑动次数']].mean().nlargest(5, '高速跑动距离')
metrics = ['高速跑动', '冲刺距离', '最高速度', '跑动次数']
angles = np.linspace(0, 2 * np.pi, len(metrics), endpoint=False).tolist()
angles += angles[:1]
colors = ['red', 'blue', 'green', 'orange', 'purple']
for i, (player, row) in enumerate(top_players.iterrows()):
values = row.values.tolist()
values += values[:1]
# 归一化
values = (values - min(values)) / (max(values) - min(values) + 0.001)
ax2.plot(angles, values, 'o-', linewidth=2, label=player, color=colors[i])
ax2.fill(angles, values, alpha=0.25, color=colors[i])
ax2.set_xticks(angles[:-1])
ax2.set_xticklabels(metrics)
ax2.set_title('顶级球员多维跑动对比')
ax2.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0))
# 3. 赛事表现稳定性
ax3 = axes[2]
player_stability = self.df.groupby('球员')['高速跑动距离'].agg(['mean', 'std'])
player_stability['变异系数'] = (player_stability['std'] / player_stability['mean'] * 100).round(2)
stability_data = player_stability.sort_values('变异系数')[:6]
ax3.bar(range(len(stability_data)), stability_data['变异系数'],
color=['green' if x < 20 else 'yellow' for x in stability_data['变异系数']])
ax3.set_xticks(range(len(stability_data)))
ax3.set_xticklabels(stability_data.index, rotation=45)
ax3.set_ylabel('变异系数（%）')
ax3.set_title('球员表现稳定性排名')
ax3.axhline(y=20, color='red', linestyle='--', label='稳定线')
ax3.legend()
plt.tight_layout()
plt.show()
def plot_team_comparison(self):
"""球队间对比图"""
fig, axes = plt.subplots(1, 2, figsize=(15, 6))
# 1. 球队平均高速跑动距离
ax1 = axes[0]
team_data = self.df.groupby('球队')['高速跑动距离'].mean().sort_values(ascending=False)
# 使用热力图风格
colors_heat = plt.cm.RdYlGn(np.linspace(0.2, 1, len(team_data)))
bars = ax1.bar(team_data.index, team_data.values, color=colors_heat)
ax1.set_xlabel('球队')
ax1.set_ylabel('平均高速跑动距离（米）')
ax1.set_title('球队平均高速跑动距离对比')
ax1.tick_params(axis='x', rotation=45)
# 2. 球员-球队矩阵热力图
ax2 = axes[1]
player_team = self.df.pivot_table(values='高速跑动距离',
index='球员', columns='球队', aggfunc='mean')
sns.heatmap(player_team, annot=True, fmt='.0f', cmap='YlOrRd',
ax=ax2, cbar_kws={'label': '高速跑动距离（米）'})
ax2.set_title('球员-球队高速跑动矩阵')
plt.tight_layout()
plt.show()
def plot_performance_metrics(self):
"""绘制性能指标对比"""
fig, axes = plt.subplots(2, 2, figsize=(15, 12))
# 1. 散点图 - 跑动距离与次数
ax1 = axes[0, 0]
scatter1 = ax1.scatter(self.df['高速跑动距离'], self.df['高速跑动次数'],
c=self.df['总跑动距离'], s=self.df['总跑动距离']/50,
cmap='cool', alpha=0.6)
ax1.set_xlabel('高速跑动距离（米）')
ax1.set_ylabel('高速跑动次数')
ax1.set_title('高速跑动距离与次数关系')
plt.colorbar(scatter1, ax=ax1, label='总跑动距离')
# 2. 球员排名条形图
ax2 = axes[0, 1]
df_sorted = self.df.groupby('球员')['高速跑动距离'].mean().sort_values(ascending=False)
# 创建百分比条形图
total = df_sorted.max()
ax2.barh(df_sorted.index, df_sorted.values / total * 100,
color=plt.cm.viridis(np.linspace(0, 0.9, len(df_sorted))))
ax2.set_xlabel('相对指标（%）')
ax2.set_title('球员相对表现排名')
# 3. 状态图 - 时序数据
ax3 = axes[1, 0]
# 选择三位代表球员
player1 = '梅西'
player2 = '姆巴佩'
player3 = '哈兰德'
data1 = self.df[self.df['球员'] == player1].sort_values('比赛日期')
data2 = self.df[self.df['球员'] == player2].sort_values('比赛日期')
data3 = self.df[self.df['球员'] == player3].sort_values('比赛日期')
ax3.plot(range(len(data1)), data1['高速跑动距离'], 'o-', label=player1)
ax3.plot(range(len(data2)), data2['高速跑动距离'], 's-', label=player2)
ax3.plot(range(len(data3)), data3['高速跑动距离'], '^-', label=player3)
ax3.set_xlabel('比赛场次')
ax3.set_ylabel('高速跑动距离（米）')
ax3.set_title('代表球员赛程表现趋势')
ax3.legend()
ax3.grid(True)
# 4. 饼图 - 大赛状态分配
ax4 = axes[1, 1]
# 统计球员状态分布
self.df['状态'] = pd.cut(self.df['高速跑动距离'],
bins=[0, self.df['高速跑动距离'].quantile(0.25),
self.df['高速跑动距离'].quantile(0.75),
float('inf')],
labels=['低迷', '正常', '爆发'])
status_counts = self.df['状态'].value_counts()
colors_pie = ['red', 'yellow', 'green']
explode = (0.1, 0, 0)
ax4.pie(status_counts.values, labels=status_counts.index,
autopct='%1.1f%%', colors=colors_pie, explode=explode)
ax4.set_title('球员状态分布比例')
plt.tight_layout()
plt.show()
分析报告模块
from tabulate import tabulate
class AnalysisReport:
"""分析报告生成类"""
def __init__(self, processor, visualizer):
self.processor = processor
self.visualizer = visualizer
self.df = processor.df
def generate_report(self):
"""生成完整分析报告"""
print("=" * 80)
print(" 足球运动员高速跑动距离分析报告")
print("=" * 80)
# 基础统计
print("\n📊【基础统计信息】")
stats = self.processor.get_basic_stats()
for key, value in stats.items():
print(f" • {key}: {value}")
# 球员排名
print("\n🏆【球员高速跑动排名】")
summary = self.processor.get_player_summary()
top5 = summary.head(5)
print(tabulate(top5, headers='keys', tablefmt='grid'))
# 位置分析
print("\n⚽【位置对比分析】")
position_stats = self.df.groupby('位置')['高速跑动距离'].agg(['mean', 'max', 'min'])
position_stats.columns = ['平均跑动', '最高跑动', '最低跑动']
print(tabulate(position_stats.round(2), headers='keys', tablefmt='grid'))
# 稳定性分析
print("\n📈【表现稳定性】")
stability = self.df.groupby('球员')['高速跑动距离'].agg(['mean', 'std', 'var'])
stability['变异系数'] = (stability['std'] / stability['mean'] * 100).round(2)
most_stable = stability.nsmallest(3, '变异系数')
most_unstable = stability.nlargest(3, '变异系数')
print("\n最稳定球员:")
print(tabulate(most_stable[['mean', '变异系数']], headers='keys', tablefmt='simple'))
print("\n最不稳定球员:")
print(tabulate(most_unstable[['mean', '变异系数']], headers='keys', tablefmt='simple'))
# 生成分析结论
self.generate_conclusions()
def generate_conclusions(self):
"""生成分析结论"""
print("\n" + "=" * 80)
print("📝【专家分析建议】")
print("=" * 80)
# 分析顶级球员特征
top_player = self.df.groupby('球员')['高速跑动距离'].mean().idxmax()
top_data = self.df[self.df['球员'] == top_player]
print(f"\n🔍 核心发现：")
print(f" 1. 球员{top_player}在高速跑动方面表现突出，平均每分钟高速跑动距离超过");
print(f" 其他球员 {self.df['高速跑动距离'].mean():.0f}%")
print(f" 2. 边锋球员的高速跑动占比普遍高于其他位置")
print(f" 3. 高速跑动距离与总跑动距离存在显著正相关")
# 建议
print("\n💡 训练建议：")
print(f" 1. 针对{top_player}的跑动特点，建议加强冲刺体能训练")
print(f" 2. 不同位置的球员应有针对性的跑动训练计划")
print(f" 3. 建议将高速跑动距离作为衡量球员体能的关键指标")
print("\n✅ 高速跑动距离是衡量现代足球运动员，尤其是边路球员")
print(" 重要指标之一，能够有效反映球员的爆发力和持续跑动能力。")
print("=" * 80)
主程序入口
def main():
"""主函数"""
print("🏟️ 启动足球运动员高速跑动分析系统...")
print("-" * 50)
# 创建数据处理对象
processor = FootballDataProcessor()
# 创建可视化对象
visualizer = FootballVisualizer(processor)
# 创建报告对象
report = AnalysisReport(processor, visualizer)
# 运行分析
print("📊 正在分析数据...")
# 1. 生成基础报告
report.generate_report()
# 2. 绘制各种图表
print("\n📈 正在生成可视化图表...")
visualizer.plot_high_speed_comparison()
visualizer.plot_trend_analysis()
visualizer.plot_team_comparison()
visualizer.plot_performance_metrics()
# 3. 额外的交互式分析选项
print("\n🔧 额外分析选项：")
print(" 1. 查看特定球员详细数据")
print(" 2. 分析球员间相似度")
print(" 3. 导出Excel汇总报告")
choice = input("\n请选择（输入数字，直接回车跳过）：")
if choice == '1':
player_name = input("请输入球员名称：")
if player_name in processor.df['球员'].values:
player_data = processor.df[processor.df['球员'] == player_name]
print(f"\n【{player_name}详细数据】")
print(player_data[['场次', '高速跑动距离', '冲刺距离', '最高速度', '高速跑动占比']].to_string())
# 绘制个体分析
fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].plot(player_data['高速跑动距离'].values, 'o-', linewidth=2)
axes[0].set_title(f'{player_name} 高速跑动趋势')
axes[0].set_xlabel('比赛场次')
axes[0].set_ylabel('高速跑动距离（米）')
# 与平均对比
avg_line = [processor.df['高速跑动距离'].mean()] * len(player_data)
axes[1].plot(player_data['高速跑动距离'].values, label=player_name)
axes[1].plot(avg_line, '--', label='联盟平均', color='red')
axes[1].set_title('与平均值对比')
axes[1].legend()
plt.tight_layout()
plt.show()
else:
print("未找到该球员")
elif choice == '2':
# 球员相似度分析
from sklearn.preprocessing import StandardScaler
from sklearn.metrics.pairwise import cosine_similarity
# 准备数据
features = processor.df.groupby('球员')[
['高速跑动距离', '冲刺距离', '最高速度', '高速跑动次数']
].mean()
scaler = StandardScaler()
features_scaled = scaler.fit_transform(features)
similarity_matrix = cosine_similarity(features_scaled)
# 显示相似度热力图
plt.figure(figsize=(10, 8))
sns.heatmap(similarity_matrix, xticklabels=features.index,
yticklabels=features.index, cmap='Blues',
annot=True, fmt='.2f')
plt.title('球员跑动特征相似度')
plt.tight_layout()
plt.show()
elif choice == '3':
# 导出数据
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
filename = f'足球跑动数据汇总_{timestamp}.xlsx'
with pd.ExcelWriter(filename, engine='openpyxl') as writer:
processor.df.to_excel(writer, sheet_name='原始数据', index=False)
processor.get_player_summary().to_excel(writer, sheet_name='球员汇总')
print(f"✅ 数据已导出至：{filename}")
print("\n🏁 分析完成！感谢使用本系统。")
if __name__ == "__main__":
main()
运行结果示例
# 运行分析 main()
输出示例：
🏟️ 启动足球运动员高速跑动分析系统...
--------------------------------------------------
📊 正在分析数据...
================================================
足球运动员高速跑动距离分析报告
================================================
📊【基础统计信息】
• 球员数: 10
• 总场次: 100
• 平均高速跑动距离: 847.32
• 最高高速跑动距离: 1189.54
• 平均高速跑动占比: 8.12%
🏆【球员高速跑动排名】
+---------+----------+----------+----------+----------+----------+----------+----------+
| 球员 | 位置 | 球队 | 平均 | 最高 | 最低 | 标准差 | 次数 |
+---------+----------+----------+----------+----------+----------+----------+----------+
| 姆巴佩 | 边锋 | 皇马 | 983.25 | 1189.54 | 825.31 | 89.45 | 28.5 |
| 维尼修斯| 边锋 | 皇马 | 956.78 | 1142.87 | 798.23 | 92.31 | 27.8 |
| 内马尔 | 边锋 | 巴黎 | 934.56 | 1120.45 | 780.12 | 95.78 | 26.9 |
...
================================================
📝【专家分析建议】
...这个综合案例涵盖了：
- 数据处理：生成模拟数据、清洗、聚合
- 统计分析：基本统计、球员排名、稳定性分析
- 数据可视化：多种图表展示（条形图、箱线图、雷达图、热力图等）
- 报告生成：自动生成分析报告
- 交互式分析：用户可以输入选择进行额外分析
- 机器学习：相似度分析
这是一个真实的、综合的数据分析项目,可以很容易地应用到实际足球数据中。
版权声明：NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
