python案例怎么看两队后防默契度差异？

本文目录导读：

1. 方法一：基于“防守联动”的传球网络分析（最推荐）
2. 方法二：基于“防守行为同步性”的时序分析（高阶）
3. 方法三：基于“失球归因”的机器学习模型（业务导向）
4. 总结：如何选择分析维度？

在Python中分析两队后防默契度差异，可以通过数据驱动的方式量化防守协同性，因为“默契”是抽象的，我们需要将其转化为可衡量的防守数据指标。

以下提供三种由浅入深的分析思路，并附上核心Python代码案例，你可以根据手头拥有的数据（如传球、抢断、失球）选择适合的方法。

基于“防守联动”的传球网络分析（最推荐）

核心逻辑：后防默契体现在后场传导球是否流畅、特定区域防守职责是否清晰，通过构建后场球员（门将+后卫+后腰）的传球网络，计算网络的连接密度和中心度,对比两队差异。

适用数据：两队后卫线之间的成功传球数据（包含传球者、接球者）。

import pandas as pd
import networkx as nx
import numpy as np
# 假设 data 是包含 [队伍, 传球者, 接球者, 时间, 区域] 的DataFrame
# 示例数据：队伍A和队伍B的后场传球数据
data = pd.DataFrame({
    'team': ['A']*20 + ['B']*20,
    'passer': ['CB1','CB2','CB3','DM']*5 + ['CB1','CB2','CB3','DM']*5,
    'receiver': ['CB2','CB3','DM','CB1']*5 + ['CB3','DM','CB1','CB2']*5,
    'zone': ['def_own']*40  # 防守区域
})
def defensive_cohesion_score(team_df):
    """计算后防联动得分"""
    # 过滤只保留后卫和门将之间的传球
    defenders = ['CB1', 'CB2', 'CB3', 'DM']  # 根据实际替换
    edges = team_df[team_df['passer'].isin(defenders) & team_df['receiver'].isin(defenders)]
    # 构建加权图
    G = nx.DiGraph()
    for _, row in edges.iterrows():
        if G.has_edge(row['passer'], row['receiver']):
            G[row['passer']][row['receiver']]['weight'] += 1
        else:
            G.add_edge(row['passer'], row['receiver'], weight=1)
    # 核心指标1：网络密度（边数/可能最大边数） --- 密度越高，后防间配合越频繁
    density = nx.density(G)
    # 核心指标2：传递熵（传球流向的单一性） --- 若集中在某一人，则默契差（单点依赖）
    # 计算每个节点的权重占比
    out_weights = dict(G.out_degree(weight='weight'))
    total = sum(out_weights.values())
    entropy = -sum((v/total) * np.log(v/total) for v in out_weights.values() if v > 0)
    # 核心指标3：防守对位配合占比（比如中后卫互相传球占比）
    cb_pairs = [('CB1','CB2'), ('CB2','CB3'), ('CB1','CB3')]
    cb_pass_count = sum(G.get_edge_data(*pair, default={'weight':0})['weight'] for pair in cb_pairs)
    cb_ratio = cb_pass_count / len(edges) if len(edges) > 0 else 0
    return {
        'density': density,
        'entropy': entropy,           # 熵越低，说明传球越集中在少数人的单点，默契差
        'cb_ratio': cb_ratio,         # 中卫之间直接配合占比，占比高说明后卫线内部联动好
        'avg_node_degree': sum(dict(G.degree()).values()) / len(G.nodes) if len(G) > 0 else 0
    }
# 分别计算两队
score_A = defensive_cohesion_score(data[data['team']=='A'])
score_B = defensive_cohesion_score(data[data['team']=='B'])
print("A队：", score_A)
print("B队：", score_B)
# 差异对比（t检验或直接对比）
from scipy import stats
# 如果有多场比赛数据，可以收集两队的density列表进行独立样本T检验
# stats.ttest_ind(scores_A_list, scores_B_list)

结论解读：

• 密度高说明后防球员互相传球多,整体配合积极。
• 熵低说明球权过于集中于某个后卫（比如全部出给CB1），这通常意味着“默契不足”，因为队友间信任度不够,只能依赖一人安全出球。
• 中卫配合占比高说明后卫线内部沟通好,协防能力强。

基于“防守行为同步性”的时序分析（高阶）

核心逻辑：默契体现在防守时同步移动、同时施压，通过分析比赛事件流（如抢断、拦截、解围），计算两队防守动作发生时间的间隔熵或互相关系数。

适用数据：每场比赛的防守事件（如抢断成功）时间戳和位置。

import numpy as np
import pandas as pd
from scipy.signal import correlate
# 假设 event_data 包含 [team, action, time(分钟), x, y]
# 例：A队后防抢断时间点和 B队后防抢断时间点
# 我们模拟两队防守动作的时间序列（0-90分钟，每分钟是否发生关键防守）
def synchrony_score(team_events):
    """计算防守动作时间序列的规律性（用来判断默契）"""
    # 将时间离散化为每分钟的计数
    time_bins = np.arange(0, 91, 1)
    counts, _ = np.histogram(team_events['time'], bins=time_bins)
    # 引入傅里叶变换看周期性（默契高的防守通常有爆发性集中，比如反击后的集体回防）
    fft_vals = np.abs(np.fft.fft(counts))
    # 忽略直流分量，取主要频率
    main_freq = np.argmax(fft_vals[1:]) + 1
    # 核心指标：事件间隔方差（越小说明行动越规律，默契好）
    diffs = np.diff(sorted(team_events['time']))
    if len(diffs) < 3:
        return {'interval_variance': np.nan, 'burstiness': 0}
    interval_var = np.var(diffs)
    # 突发性：方差/均值，越小越均匀（即同步性高）
    burst = interval_var / np.mean(diffs) if np.mean(diffs) > 0 else 0
    return {'interval_variance': interval_var, 'burstiness': burst}
# 模拟数据
times_A = np.sort(np.random.normal(45, 10, 20))  # 集中防守
times_B = np.sort(np.random.uniform(0, 90, 30)) # 分散防守
df_A = pd.DataFrame({'time': times_A})
df_B = pd.DataFrame({'time': times_B})
score_A = synchrony_score(df_A)
score_B = synchrony_score(df_B)
print("A队防守突发性（小=更默契）:", score_A['burstiness'])
print("B队防守突发性（小=更默契）:", score_B['burstiness'])

结论解读：

• 突发性小（方差小）说明防守动作在时间上分布均匀，没有出现严重脱节（比如前半场防守好，后半场崩盘），但真正的默契更多体现在失球后的快速回防,这需要看特定时段的活跃度差异。

进阶：可以计算两支球队后防线平均位置随比赛时间的波动（通过追踪跑动数据），若一方后防线站位标准差明显小于另一队，则说明该队整体移动更整齐,默契度高。

基于“失球归因”的机器学习模型（业务导向）

核心逻辑：通过历史比赛数据训练一个模型，预测“失球概率”，将后防球员的协同特征（如平均站位差、相互补位次数）作为特征，观察哪个特征对“失球”贡献最大,从而反推默契度差异。

适用数据：大量比赛事件 + 失球标签。

import pandas as pd
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import train_test_split
from sklearn.inspection import permutation_importance
# 假设数据集包含所有比赛前半段（0-45分钟）的防守特征
# 例：特征包括 ['平均距离后卫之间', '后防移动同步率', '补位次数', '犯规次数', '控球率']
# 标签：是否失球（0/1）
# 模拟数据
np.random.seed(42)
X = pd.DataFrame({
    'avg_def_spacing': np.random.normal(20, 5, 100),       # 平均站位距离（越小越紧凑）
    'sync_movement': np.random.beta(2, 2, 100),            # 同步移动指数（0-1）
    'cover_success': np.random.poisson(3, 100),            # 成功补位次数
    'opp_pressure': np.random.normal(30, 10, 100)          # 对方施压强度
})
y = (X['sync_movement'] < 0.4).astype(int)  # 模拟：同步率低容易失球
# 训练模型
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
clf = GradientBoostingClassifier()
clf.fit(X_train, y_train)
# 计算特征重要性（哪个特征对失球影响最大）
result = permutation_importance(clf, X_test, y_test, n_repeats=10, random_state=42)
importance_df = pd.DataFrame({
    'feature': X.columns,
    'importance': result.importances_mean
}).sort_values('importance', ascending=False)
print("影响失球的关键协同特征：")
print(importance_df)
# 之后，对比两队在这几个关键特征上的均值差异，即可得出后防默契度差异
# A队 avg_def_spacing 为 15米，B队为25米，则A队更紧凑，默契更高。

如何选择分析维度？

操作建议：

1. 先利用传球网络初步判断（数据最容易获取）。
2. 若有事件流数据，再叠加时间同步性分析。
3. 若想严谨出报告，用机器学习法列出特征贡献度,量化差异。

如果手头已有实际数据（例如从StatsBomb或Wyscout导出的JSON），你可以发个数据示例给我,我来帮你写出针对性的分析代码。