本文目录导读：
关于进攻三区（Final Third）的传球成功率,这是一个非常具体且专业的足球数据分析指标。
在实用脚本或数据看板（如使用 Python/Pandas 或 R 语言）中，计算这个指标通常需要事件数据（Event Data）,而不是简单的比分数据。
下面我为你提供一套实用的分析逻辑和一段可直接运行的 Python 脚本,你可以根据自己手头的数据字段进行适配。
指标定义（标准口径）
在足球数据分析中，进攻三区传球成功率的定义通常为：
[ 成功率 = \frac{进攻三区成功传球次数}{进攻三区总传球次数} \times 100\% ]
- 进攻三区：指距离对方球门线最近的那 1/3 场地（通常由
x坐标表示，如果球场宽度为 100，则进攻三区通常是x > 66或x > 32（取决于你的数据方向）。 - 传球动作：包含短传、长传、直塞、传中等触点（Open Play 或 Set Piece），通常不包含定位球中的角球和任意球直接打门前的传球（可根据需求调整）。
- 成功定义：传球后，接球队员成功控制住球（即该传球事件的后继事件是接球方球员的动作）。
实用 Python 脚本（伪代码/真实逻辑）
以下脚本假设你有一个 events 的 DataFrame，包含列：
match_id, team_id, x， y， end_x， end_y, type， subtype, outcome， period。
import pandas as pd
import numpy as np
def calculate_final_third_pass_success(events_df):
"""
计算每支球队的进攻三区传球成功率
参数：
events_df (pd.DataFrame): 包含传球事件的数据框
必须包含列：team_id, x, end_x, outcome, type
返回：
pd.DataFrame: 包含每支球队的总传球数、成功数和成功率的表格
"""
# 1. 数据清洗：只筛选出传球事件
# 假设 'type' 列中 'Pass' 代表传球（具体名称根据你的数据修改）
passes = events_df[events_df['type'] == 'Pass'].copy()
# 2. 定义进攻三区：这里假设球场 x 坐标范围是 0-100
# 如果对方球门在右侧（x=100），进攻三区为 x > 66.7
# 如果对方球门在左侧（x=0），进攻三区为 x < 33.3
# 这里以 “进攻方向向右” 为例（即进攻三区在右侧），如果方向相反请调整阈值
# 注意：x 是传球发起点的坐标，我们需要判断传球是否在进攻三区发起
# 或者更严格：传球发起点和接球点都在进攻三区？这里通常按“发起点”计算，因为球员在该区域触球并传球。
final_third_mask = passes['x'] > 66.7 # 按 2/3 场计算
# 3. 布尔索引筛选进攻三区传球
ft_passes = passes[final_third_mask]
# 4. 判断成功：'outcome' 列中 1 表示成功，0 表示失败
# 或者 'is_successful' 为 True/False
ft_passes['is_successful'] = ft_passes['outcome'] == 1 # 根据实际字段调整
# 5. 按球队分组计算
result = ft_passes.groupby('team_id').agg(
total_passes=('x', 'count'), # 总传球数
successful_passes=('is_successful', 'sum') # 成功次数
).reset_index()
# 6. 计算成功率
result['success_rate'] = (result['successful_passes'] / result['total_passes']) * 100
# 处理除零情况（有时球队可能没有进攻三区传球）
result['success_rate'] = result['success_rate'].fillna(0)
return result
# --- 使用示例 ---
# 假设你有一个名为 data 的 DataFrame
# result_df = calculate_final_third_pass_success(data)
# print(result_df)
实战中容易踩的坑（重要提醒）
-
坐标方向问题：大多数现代数据服务商（如 StatsBomb、Wyscout、Opta）默认进攻方向是从左到右（x坐标
0-100），对方球门在x=100，如果你的数据是反的（x越小越是对方半场），你需要mask = passes['x'] < 33.3。建议：优先用end_x和x比较来判断进攻方向。 -
反击/直塞球处理：如果传球发起于中场（x=40），但皮球穿越到了进攻三区（end_x=75），这算不算进攻三区传球？
- 严格算法：只统计发起点在进攻三区（x>66）的传球。
- 宽容算法：统计终点在进攻三区的传球，这两种统计口径差异很大，建议使用宽容算法（看传球终点）,因为这更能反映球队把球推进到威胁区域的能力。
-
定位球（死球）处理：角球和边线球通常不算入常规传球成功率，因为它们是静止状态,代码中建议增加过滤：
passes = passes[passes['subtype'].isin(['Open Play'])] # 仅限动态进攻
-
质量分层：如果需要更精细的分析，可以加一个
weight列，直塞球成功（Key Pass）给 1.5 权重，回传安全球给 0.5 权重——但这属于进阶模型，基础脚本用 0/1 即可。
如果只是想要“实用看板”计算的公式逻辑
如果你是在 Excel 或 Tableau 中操作,逻辑同上：
=COUNTIFS(条件区域, ">66.7", 传球状态列, "成功") / COUNTIF(条件区域, ">66.7")
核心在于明确你的数据集中坐标的定义和传球的判定标准，如果你能告诉我你的数据源是 StatsBomb / Wyscout，或是某款国内数据API,我可以帮你把字段名调整得完全对齐。
