python案例怎么看两队边路突破能力对比？

wen python案例 2026-08-09 2

本文目录导读：

目录导读
为什么用Python分析边路突破？——从“印象流”到“数据流”
数据准备：从哪获取比赛事件数据？
核心指标拆解：什么是“边路突破能力”？
Python代码实战：四步构建对比模型
可视化呈现：让数据自己“说话”
案例复盘：某中超焦点战边路突破对比详解
常见问题解答（FAQ）

Python实战：用数据科学解码两队边路突破能力对比（附完整代码）

目录导读

为什么用Python分析边路突破？——从“印象流”到“数据流”
数据准备：从哪获取比赛事件数据？
核心指标拆解：什么是“边路突破能力”？
Python代码实战：四步构建对比模型
可视化呈现：让数据自己“说话”
案例复盘：某中超焦点战边路突破对比详解
常见问题解答（FAQ）

为什么用Python分析边路突破？——从“印象流”到“数据流”

很多球迷看球时会说“A队边路打得比B队凶”，但“凶”到底是多少？是传中次数多？还是过人成功率高？或者是制造威胁球多？传统观赛只能给出定性判断，而Python能给出定量结论。

在足球数据分析领域,边路突破能力直接关联到球队的进攻宽度、节奏变化和得分机会，通过解析比赛事件流（如传球、盘带、传中、对抗等），我们可以量化“边路压制力”。本篇将用真实案例+可运行代码，手把手教你如何用Python实现两队边路突破对比。

数据准备：从哪获取比赛事件数据？

目前主流的数据源包括：

StatsBomb公开数据集（免费，含详细坐标和事件类型）
WyScout / Opta（付费，专业级）
英超官方开放数据（部分赛季免费）

为了演示,我们使用StatsBomb的公开样例数据（比赛ID：3788741，某欧冠淘汰赛），数据格式为JSON，包含每个事件的坐标、球员、时间等信息。

关键字段说明：

location: [x, y] 坐标（x: 0-120，y: 0-80）
type.name: 事件类型（Pass, Carry, Dribble等）
position.name: 事件发生位置
outcome.name: 成功/失败等

核心指标拆解：什么是“边路突破能力”？

我们定义边路区域为：x坐标在0~20（左侧）或100~120（右侧），y坐标在0~40（下半场）或40~80（上半场）——即传统战术板上的左右两条走廊。

三个核心子指标：

边路推进次数：每次成功/失败的带球推进或长传转移至边路区域。
边路成功对抗率：在边路区域内的1v1过人、护球、抢断后控球成功比例。
边路威胁产出：由边路发起的传中、直塞、射门等关键事件数量。

综合评价值 = 0.4×推进效率 + 0.3×对抗成功率 + 0.3×威胁产出率（权重可根据战术偏好调整）。

Python代码实战：四步构建对比模型

步骤1：加载与清洗数据

import json
import pandas as pd
# 加载数据（假设你已下载）
with open('3795826.json') as f:
    data = json.load(f)
events = []
for i, event in enumerate(data):
    if event['type']['name'] in ['Pass', 'Carry', 'Dribble', 'Shot']:
        events.append({
            'team': event['team']['name'],
            'x': event['location'][0] if 'location' in event else None,
            'y': event['location'][1] if 'location' in event else None,
            'type': event['type']['name'],
            'outcome': event.get('outcome', {}).get('name', 'Complete')
        })
df = pd.DataFrame(events)

步骤2：定义边路区域并筛选

def is_wing(row):
    return (row['x'] < 25 or row['x'] > 95) and (row['y'] > 20 and row['y'] < 60)
df['is_wing'] = df.apply(is_wing, axis=1)
wing_df = df[df['is_wing'] == True]

步骤3：计算三指标

# 按队伍分组
wing_group = wing_df.groupby('team')
# 推进次数（所有在边路的事件数）
progression = wing_group.size()
# 成功对抗率（只看Dribble和对抗类，这里简化为Carry+Dribble的成功比例）
success_mask = wing_df['outcome'] == 'Complete'
success_count = wing_df[success_mask].groupby('team').size()
total_attempts = progression
success_rate = success_count / total_attempts
# 威胁产出（在边路发起的Shot或关键传中，此处用Shot为例）
threat_df = wing_df[wing_df['type'] == 'Shot']
threat_count = threat_df.groupby('team').size()

步骤4：合并输出对比表

compare_df = pd.DataFrame({
    '推进次数': progression,
    '对抗成功率': successful_rate,
    '威胁产出': threat_count
}).fillna(0)
compare_df['综合评分'] = 0.4*compare_df['推进次数']/compare_df['推进次数'].max() + \
                        0.3*compare_df['对抗成功率'] + \
                        0.3*compare_df['威胁产出']/compare_df['威胁产出'].max()
print(compare_df.sort_values('综合评分', ascending=False))

可视化呈现：让数据自己“说话”

使用Matplotlib绘制边路热力图+雷达图对比：

import matplotlib.pyplot as plt
import numpy as np
# 雷达图示例
labels = ['推进', '对抗', '威胁']
team1 = [0.8, 0.6, 0.7]
team2 = [0.7, 0.9, 0.5]
angles = np.linspace(0, 2*np.pi, len(labels), endpoint=False).tolist()
team1 += team1[:1]
angles += angles[:1]
fig, ax = plt.subplots(figsize=(6,6), subplot_kw=dict(polar=True))
ax.fill(angles, team1, alpha=0.25, label='Team A')
ax.fill(angles, team2, alpha=0.25, label='Team B')
ax.set_xticks(angles[:-1]); ax.set_xticklabels(labels)
ax.legend()
plt.show()