python案例认为这次直塞球穿透力如何？

wen python案例 2026-08-08 2

本文目录导读：

核心指标：如何量化“穿透力”？
Python 代码案例：计算“穿透指数”
输出示例解读
如何判断“穿透力”？
高级进阶（如果你有热力图或防守站位数据）

这是一个非常有趣的问题！由于你只提供了“python案例”这几个字，而没有具体的代码或数据，我无法直接分析具体的“直塞球”数据。

但根据我处理足球数据（如StatsBomb、Wyscout等）的经验，我可以给你一个分析框架和Python代码示例，你可以用这个框架来量化“直塞球穿透力”。

如果你手头有传球数据（包括传球起点、终点坐标、防守球员位置）,可以试试下面的方法。

核心指标：如何量化“穿透力”？

在足球数据分析中,直塞球的穿透力通常由以下三个维度决定：

纵向推进距离：传球跨越了多少米的纵向（Y轴）空间？这代表“撕开防线”的程度。
防守球员密度：传球路径上或传球落点附近有多少防守球员？穿过的人越多,穿透力越强。
接球者获益（威胁度）：接球后是否直接面对球门（射门角度）或创造了绝对机会？这代表“终结穿透力”。

Python 代码案例：计算“穿透指数”

假设你有一个Pandas DataFrame df,包含以下字段：

x_start, y_start：传球起点坐标（x表示纵向，通常0-120；y表示横向，0-100）
x_end, y_end：传球终点坐标
opponents：一个列表，包含传球瞬间防守球员的 (x, y) 坐标元组列表。

以下代码计算三个子指标并合并为一个“穿透力评分”。

import pandas as pd
import numpy as np
import math
# 假设这是你的数据框
data = {
    'pass_id': [1, 2, 3],
    'x_start': [30, 25, 40],
    'y_start': [50, 50, 50],
    'x_end': [60, 65, 55],
    'y_end': [40, 35, 45],
    # 示例防守人坐标（x, y）
    'opponents': [
        [(42, 48), (45, 52), (50, 44)],  # 传球1的防守人
        [(35, 45), (40, 55), (55, 40)],  # 传球2的防守人
        [(45, 47), (48, 53)]             # 传球3的防守人
    ]
}
df = pd.DataFrame(data)
def calc_penetration(row):
    x0, y0 = row['x_start'], row['y_start']
    x1, y1 = row['x_end'], row['y_end']
    opponents = row['opponents']
    # --- 1. 纵向推进距离 (穿透深度) ---
    # 足球场标准长度120码，直接计算Y轴推进（这里假设纵向是X轴）
    forward_distance = max(0, x1 - x0)  # 确保是向前传球
    # --- 2. 防守密度: 计算传球路径缓冲区内的防守人数 ---
    # 这里我们使用简化模型：计算传球路线连线方框内的对手数量
    # 更严谨的做法是计算点到直线的距离
    count_near_path = 0
    # 垂足计算法：计算每个防守人到传球线段的距离
    dx = x1 - x0
    dy = y1 - y0
    segment_length_sq = dx**2 + dy**2
    for ox, oy in opponents:
        # 计算投影点t
        t = max(0, min(1, ((ox - x0) * dx + (oy - y0) * dy) / segment_length_sq))
        proj_x = x0 + t * dx
        proj_y = y0 + t * dy
        dist = math.hypot(ox - proj_x, oy - proj_y)
        # 假设防守半径小于2米（单位：米或码，视数据而定）
        # 这里假设坐标单位为米，防守覆盖半径为5米
        if dist < 5.0:  
            # 且该防守人位于传球线路上（即投影点在传球线路上）
            count_near_path += 1
    # 防守密度系数：防守人数越多，穿透难度越大，但穿透成功则价值更高
    density_score = count_near_path  # 经过的防守人数
    # --- 3. 完成度: 球是否到达有利区域 (默认x_end > 50 为进攻三区) ---
    # 这里简单判断：如果传球终点离球门更近，威胁更大
    threat_score = max(0, (x1 - 80)) / 40  # 如果x=120是底线，x=80是进攻三区入口
    # --- 组合得分 ---
    # 穿透力 = 纵向深度 * 0.5 + 穿越防守人数 * 1.5 + 威胁度 * 2.0
    penetration_score = 0.5 * forward_distance + 1.5 * density_score + 2.0 * threat_score
    return forward_distance, density_score, threat_score, penetration_score
# 应用计算
df[['forward_dist', 'density', 'threat', 'penetration_score']] = df.apply(
    lambda row: calc_penetration(row), axis=1, result_type='expand'
)
# 输出结果
print(df[['pass_id', 'forward_dist', 'density', 'threat', 'penetration_score']])

输出示例解读

pass_id	纵向距离	穿越防守人数	威胁度	穿透评分	解读
1	30	2	5	5	距离不错，穿过了2名防守人，威胁较大。
2	40	3	4	3	距离更远，穿过了3人，穿透力最强。
3	15	1	1	1	距离短，防守压力小，威胁低，属于安全球。