python案例统计高球传中争顶成功率？

本文目录导读：

1. 完整代码实现
2. 核心功能说明
3. 主要分析方法
4. 使用场景

我来为您设计一个足球数据分析中统计高球传中争顶成功率的Python案例。

完整代码实现

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
class AerialDuelsAnalyzer:
    """分析高球传中争顶成功率的类"""
    def __init__(self):
        self.data = None
        self.duel_stats = None
    def generate_sample_data(self, n_matches=10, n_players=22):
        """
        生成模拟比赛数据
        参数:
        n_matches: 比赛场次
        n_players: 球员数量
        """
        np.random.seed(42)
        players = []
        teams = ['曼联', '曼城', '利物浦', '阿森纳', '切尔西']
        for i in range(n_players):
            players.append({
                'player_id': f'P{i+1:03d}',
                'name': f'球员{i+1}',
                'team': np.random.choice(teams),
                'position': np.random.choice(['前锋', '中场', '后卫', '门将']),
                'height': np.random.normal(180, 5),  # 身高
                'jump_reach': np.random.normal(250, 8)  # 弹跳能力
            })
        # 生成争顶数据
        duel_records = []
        for match in range(n_matches):
            match_date = datetime(2024, 1, 1) + pd.Timedelta(days=match*7)
            for player in players:
                # 每场比赛每个球员的争顶次数 (近似正态分布)
                n_duels = max(0, int(np.random.normal(5, 2)))
                for duel in range(n_duels):
                    # 争顶成功概率与身高、弹跳能力相关
                    success_prob = 0.5 + (player['height'] - 180) * 0.005 + \
                                 (player['jump_reach'] - 250) * 0.002
                    success_prob = np.clip(success_prob, 0.1, 0.9)
                    duel_records.append({
                        'match_id': match + 1,
                        'date': match_date,
                        'player_id': player['player_id'],
                        'name': player['name'],
                        'team': player['team'],
                        'position': player['position'],
                        'height': player['height'],
                        'jump_reach': player['jump_reach'],
                        'success': np.random.binomial(1, success_prob)
                    })
        self.data = pd.DataFrame(duel_records)
        return self.data
    def calculate_success_rate(self):
        """计算整体和球员级别的争顶成功率"""
        # 球员级别统计
        player_stats = self.data.groupby(['player_id', 'name', 'team', 'position']).agg({
            'success': ['count', 'sum', 'mean']
        }).reset_index()
        player_stats.columns = ['player_id', 'name', 'team', 'position', 
                               'total_duels', 'won_duels', 'success_rate']
        player_stats['success_rate'] = player_stats['success_rate'] * 100
        # 球队级别统计
        team_stats = self.data.groupby('team').agg({
            'success': ['count', 'sum', 'mean']
        }).reset_index()
        team_stats.columns = ['team', 'total_duels', 'won_duels', 'success_rate']
        team_stats['success_rate'] = team_stats['success_rate'] * 100
        # 位置级别统计
        position_stats = self.data.groupby('position').agg({
            'success': ['count', 'sum', 'mean']
        }).reset_index()
        position_stats.columns = ['position', 'total_duels', 'won_duels', 'success_rate']
        position_stats['success_rate'] = position_stats['success_rate'] * 100
        self.player_stats = player_stats
        self.team_stats = team_stats
        self.position_stats = position_stats
        return player_stats, team_stats, position_stats
    def analyze_height_influence(self, bins=5):
        """分析身高对争顶成功率的影响"""
        # 添加身高分组
        self.data['height_group'] = pd.cut(self.data['height'], 
                                          bins=bins, 
                                          labels=['矮', '偏矮', '中等', '偏高', '高'])
        height_duels = self.data.groupby('height_group').agg({
            'success': ['count', 'sum', 'mean']
        }).reset_index()
        height_duels.columns = ['height_group', 'total_duels', 'won_duels', 'success_rate']
        height_duels['success_rate'] = height_duels['success_rate'] * 100
        return height_duels
    def calculate_win_probability(self, height, jump_reach):
        """计算争顶成功的概率"""
        # 基于历史数据的逻辑回归模型
        from sklearn.linear_model import LogisticRegression
        X = self.data[['height', 'jump_reach']].values
        y = self.data['success'].values
        model = LogisticRegression()
        model.fit(X, y)
        # 预测新数据
        prob = model.predict_proba([[height, jump_reach]])[0][1]
        return prob, model
    def visualize_results(self):
        """可视化分析结果"""
        fig, axes = plt.subplots(2, 2, figsize=(15, 12))
        # 1. 球队争顶成功率对比
        ax1 = axes[0, 0]
        sns.barplot(x='team', y='success_rate', data=self.team_stats, ax=ax1)
        ax1.set_title('各球队争顶成功率对比')
        ax1.set_xlabel('球队')
        ax1.set_ylabel('成功率 (%)')
        ax1.set_ylim(0, 100)
        # 2. 位置争顶成功率对比
        ax2 = axes[0, 1]
        sns.barplot(x='position', y='success_rate', data=self.position_stats, ax=ax2)
        ax2.set_title('不同位置球员争顶成功率')
        ax2.set_xlabel('位置')
        ax2.set_ylabel('成功率 (%)')
        ax2.set_ylim(0, 100)
        # 3. 身高与成功率的关系
        ax3 = axes[1, 0]
        height_duels = self.analyze_height_influence()
        sns.barplot(x='height_group', y='success_rate', data=height_duels, ax=ax3)
        ax3.set_title('身高与争顶成功率的关系')
        ax3.set_xlabel('身高分组')
        ax3.set_ylabel('成功率 (%)')
        # 4. 球员争顶成功率分布
        ax4 = axes[1, 1]
        sns.histplot(self.player_stats['success_rate'], bins=10, kde=True, ax=ax4)
        ax4.set_title('球员争顶成功率分布')
        ax4.set_xlabel('成功率 (%)')
        ax4.set_ylabel('人数')
        plt.tight_layout()
        plt.show()
    def get_top_performers(self, n=5):
        """获取争顶表现最好的球员"""
        top_players = self.player_stats[
            (self.player_stats['total_duels'] >= 10) &  # 至少10次争顶
            (self.player_stats['success_rate'] > 60)    # 成功率超过60%
        ].sort_values('success_rate', ascending=False).head(n)
        return top_players
    def analyze_match_trend(self):
        """分析争顶成功率随时间的变化趋势"""
        # 按比赛日期统计
        self.data['date'] = pd.to_datetime(self.data['date'])
        match_trend = self.data.groupby('date').agg({
            'success': ['count', 'sum', 'mean']
        }).reset_index()
        match_trend.columns = ['date', 'total_duels', 'won_duels', 'success_rate']
        match_trend['success_rate'] = match_trend['success_rate'] * 100
        # 绘制趋势图
        plt.figure(figsize=(12, 6))
        plt.plot(match_trend['date'], match_trend['success_rate'], marker='o')
        plt.title('争顶成功率随时间变化趋势')
        plt.xlabel('比赛日期')
        plt.ylabel('成功率 (%)')
        plt.grid(True, alpha=0.3)
        plt.xticks(rotation=45)
        plt.tight_layout()
        plt.show()
        return match_trend
# 使用示例
def main():
    # 创建分析器实例
    analyzer = AerialDuelsAnalyzer()
    # 生成模拟数据
    print("正在生成模拟数据...")
    analyzer.generate_sample_data(n_matches=20, n_players=30)
    # 计算统计数据
    player_stats, team_stats, position_stats = analyzer.calculate_success_rate()
    print("\n" + "="*50)
    print("球队争顶成功率统计")
    print("="*50)
    print(team_stats.to_string(index=False))
    print("\n" + "="*50)
    print("位置争顶成功率统计")
    print("="*50)
    print(position_stats.to_string(index=False))
    print("\n" + "="*50)
    print("表现最佳球员 (争顶成功率 > 60% 且争顶次数 ≥ 10)")
    print("="*50)
    top_players = analyzer.get_top_performers()
    print(top_players.to_string(index=False))
    # 预测特定球员的争顶成功率
    print("\n" + "="*50)
    print("争顶成功率预测")
    print("="*50)
    height, jump_reach = 185, 262
    prob, model = analyzer.calculate_win_probability(height, jump_reach)
    print(f"身高 {height}cm, 弹跳 {jump_reach}cm 的球员预测争顶成功率: {prob:.2%}")
    # 可视化结果
    print("\n正在生成可视化图表...")
    analyzer.visualize_results()
    # 分析趋势
    match_trend = analyzer.analyze_match_trend()
if __name__ == "__main__":
    main()

核心功能说明

这个分析系统包含以下主要功能：

1. 数据处理：生成模拟足球比赛争顶数据
2. 统计分析：计算各维度的争顶成功率
3. 影响因素分析：分析身高、位置等因素的影响
4. 预测模型：使用机器学习预测争顶成功率
5. 可视化展示：生成直观的图表

主要分析方法

使用场景

这个工具可以用于：

• 足球数据分析部门评估球员表现
• 球探系统评估潜在签约球员
• 教练组制定训练计划
• 比赛战术分析

运行代码前需要安装依赖：pip install pandas numpy matplotlib seaborn scikit-learn