python案例怎么看两队的中场控制力对比？

wen python案例 2026-08-09 3

本文目录导读：

第一层级：基础数据对比（适合普通比赛数据/半自动统计）
第二层级：事件链分析（需要带 X/Y 坐标的事件数据）
第三层级：网络与状态模型（进阶：Graph/DP）
具体实战案例（以英超为例）
最实用的可视化建议
总结建议

在足球数据分析中,中场控制力通常不是单一指标，而是由多个维度构成的综合评价，单纯看控球率太片面（比如摆大巴的球队控球率低但防守反击效率高）。

要看两队的中场控制力对比,最科学的思路是结合“破坏对手”与“组织己方”两个层面。

这里有一套从基础数据提取到进阶模型的Python分析方案，分为三个层级，你可以根据手头数据的详细程度选择：

第一层级：基础数据对比（适合普通比赛数据/半自动统计）

这是最直观的快照,适合没有精细追踪数据的场景。

核心指标：

控球率：最基础，但建议区分有效控球（对方半场控球率）。
传球成功率 & 传球数：中场控制力强，往往意味着传球基数大且成功率高。
对抗成功率：中场拼抢的强硬程度。

Python 示例代码（假设你有DataFrame）：

import pandas as pd
# 假设 data 是包含两队数据的字典
data = {
    'team': ['主队', '客队'],
    '控球率': [58.0, 42.0],
    '传球数': [520, 380],
    '传球成功率': [88.0, 82.0],
    '抢断成功率': [75.0, 68.0],
    '对抗成功次数': [45, 38]
}
df = pd.DataFrame(data)
# 计算综合得分（加权）
weights = {'控球率': 0.3, '传球成功率': 0.3, '抢断成功率': 0.2, '对抗成功次数': 0.2}
df['控制力得分'] = (
    (df['控球率'] / 100) * weights['控球率'] * 100 +
    (df['传球成功率'] / 100) * weights['传球成功率'] * 100 +
    (df['抢断成功率'] / 100) * weights['抢断成功率'] * 100 +
    (df['对抗成功次数'] / df['对抗成功次数'].max()) * weights['对抗成功次数'] * 100
)
print(df[['team', '控制力得分']])

第二层级：事件链分析（需要带 X/Y 坐标的事件数据）

这是更具说服力的方法,关注“中场区域”这个空间，你需要过滤出发生在中场三区的事件（通常X坐标在球场30%到70%之间）。

核心逻辑：

阵地战发起次数：在中场区域成功接球并转身向前推进的次数。
高位压迫成功率：在对方半场（尤其是中场）的夺回球权次数。
向前传球占比：传球方向朝前（朝向对方球门）的百分比。

Python 示例逻辑（假设有事件数据 events）：

import pandas as pd
# 假设 events 列包含: ['team', 'event_type', 'x', 'y', 'success']
# 球场宽度为 120 (x轴)
# 1. 筛选中场区域的传球
midfield = events[(events['x'] >= 30) & (events['x'] <= 70)]
# 2. 计算向前传球 (假设传球有 end_x 列)
midfield['pass_progress'] = midfield['end_x'] - midfield['x']
forward_passes = midfield[(midfield['pass_progress'] > 5)]  # 向前传至少5米
# 3. 计算每队的向前传球成功率
team_stats = forward_passes.groupby('team').agg(
    向前传球成功率=('success', 'mean'),
    向前传球次数=('success', 'count')
).reset_index()
# 4. 计算“压迫夺权”：在对方半场的高位抢断
press_events = events[(events['event_type'] == 'interception') & (events['x'] > 60)]
press_count = press_events.groupby('team').size().reset_index(name='高位抢断次数')
# 合并数据
final = pd.merge(team_stats, press_count, on='team', how='outer')

第三层级：网络与状态模型（进阶：Graph/DP）

如果你有追踪数据（球员速度），可以计算传球网络密度或 Metaball（球队重心）。

重心偏移：计算球队在所有时间点的控球重心X坐标，重心越靠近对方禁区，控制力越强。
传球聚类系数：比较中场三人组的三角传球频率。

具体实战案例（以英超为例）

假设你有一场 曼城 vs 利物浦 的赛后数据：

指标	曼城	利物浦
控球率	55%	45%	曼城略占优
中场三区传球	320次，成功率91%	210次，成功率86%	曼城有效控制中场
高位压迫夺权点数	12次	8次	曼城逼抢强度更高
向前传球率	22%	28%	利物浦纵向前插更多

分析结论：曼城在横向控制和节奏把控上占优；但利物浦的纵向打击效率更高（向前传球率更高），这意味着利物浦可能更倾向于放弃中场推进，通过长传或快速反击打身后。

最实用的可视化建议

你可以用 水波纹图（Radar Chart） 或 热力图 来直观展示。

import matplotlib.pyplot as plt
import numpy as np
# 雷达图示例
labels = ['控球率', '传球次数', '向前传球率', '高位压迫', '对抗成功率']
team_a = [55, 80, 25, 70, 65]
team_b = [45, 60, 35, 55, 70]
angles = np.linspace(0, 2 * np.pi, len(labels), endpoint=False).tolist()
team_a += team_a[:1]
team_b += team_b[:1]
angles += angles[:1]
fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))
ax.fill(angles, team_a, color='blue', alpha=0.25, label='Team A')
ax.fill(angles, team_b, color='red', alpha=0.25, label='Team B')
ax.set_xticks(angles[:-1])
ax.set_xticklabels(labels)
plt.legend()
plt.show()