python案例统计反越位成功形成单刀几次？

wen python案例 2026-08-14 7

Python实战：用数据解码足球战术——统计反越位成功形成单刀球的次数（附完整代码）**

目录导读

为什么用Python分析“反越位单刀”？——战术价值与数据意义
核心概念拆解：什么是“反越位成功”和“单刀球”？定义与判定标准
数据从哪来？——公开事件数据源与字段说明（以StatsBomb为例）
Python代码实战：一步步统计反越位成功形成单刀的次数
- 1 数据加载与清洗（过滤越位事件）
- 2 逻辑判断：反越位成功 + 形成单刀（结合坐标与防守人数）
- 3 结果输出与可视化（热力图/时间线）
常见问题与陷阱（FAQ）：为什么你的统计结果和官方不一致？
扩展思路：如何把该模型推广到“反击单刀”、“直塞单刀”？

为什么用Python分析“反越位单刀”？——战术价值与数据意义

在现代足球分析中,反越位成功形成单刀是衡量一支球队进攻效率与前锋跑位意识的关键指标，一次成功的反越位意味着直接穿透对方整条防线，形成与门将1对1的机会，其预期进球值（xG）通常超过0.7，传统上，球探依赖人工观察录像，但一场比赛90分钟，每个进攻回合仅几秒，人工极易漏判。

Python的优势在于可批量处理、可复现、可量化，通过事件数据（Event Data），我们可以精准地拉取每一次“越位”相关事件，并结合前后帧的球员坐标，用逻辑判断是否在越位瞬间球已传出、且接球者前方仅有门将，这不仅是技术统计，更是战术洞察——比如某支球队的左路反越位成功率远高于右路，就能针对性部署。

核心概念拆解：什么是“反越位成功”和“单刀球”？

在写代码前,我们必须先建立规则，否则统计结果毫无意义。

反越位成功（Offside Trap Beaten）：指进攻方传球瞬间，接球队员的身体有效部位（排除手臂）比对方倒数第二名防守球员（通常含门将）更靠近底线，但裁判未判罚越位，且进攻方成功拿到球权，注意：如果传球瞬间不越位，但跑动后形成单刀，这不算“反越位”，只算“反跑单刀”。
单刀球（1-on-1 with GK）：接球后，带球向球门推进，此时防守球员中最靠近接球者的一人与接球者的距离 > 3米，且接球者与门将之间无其他防守球员，同时射门或尝试过掉门将（排除接球即射门但被门将没收前有防守者干扰）。

判定数据必须包含：事件类型（越位/传球/接球）、球员坐标(x,y)、事件时间戳、球队ID。

数据源推荐与字段说明

我们以开源数据集 StatsBomb Open Data 为例（涵盖英超、西甲、女足世界杯等），下载 events.json 文件，每个事件包含以下关键字段：

字段名	类型	说明
`id`	str	事件唯一ID
`minute` / `second`	int	比赛时间
`type`	dict	包含 `name`（如 Pass， Offside）
`tactics`	dict	包含 `line`（阵型）
`location`	list	[x, y] 坐标，0-120（球场长），0-80（宽）
`related_events`	list	关联事件ID（如传球 -> 接球）

我们主要用到 Offside 类型事件与 Pass（精准传中/直塞）事件，注意：只有被裁判吹停的越位才有 Offside 事件，反越位成功”其实是没有 Offside 事件的传球，所以策略是：找到那些没有关联 Offside 事件的、但接球瞬间接球者位置疑似贴近最后一名防守者的传球。

Python代码实战

1 数据加载与清洗（过滤越位事件）

import pandas as pd
import json
# 加载数据
with open('events.json', 'r', encoding='utf-8') as f:
    events = json.load(f)
df = pd.json_normalize(events, sep='_')
# 提取所有传球事件
passes = df[df['type_name'] == 'Pass'].copy()
# 提取所有越位事件（含成功与失败）
offsides = df[df['type_name'] == 'Offside'].copy()

这里有个关键点：反越位成功意味着该传球没有产生对应的 Offside 事件，所以我们要找的传球，是那些在传球后的 related_events 中，不包含 Offside 事件ID的传球。

2 逻辑判断：反越位成功 + 形成单刀

我们需要计算传球瞬间,接球者的位置与倒数第二名防守球员的关系，但事件数据中不直接给出“所有球员位置”，所以我们用近似法：看传球后 0.5 秒内，接球者 location 是否与门将距离 < 25 码（约23米），且与其他防守球员的 y 坐标相近（即横向差距小）。

为了简化统计,我们定义单刀判定条件：

传球类型为 Through Ball（直塞）或 Cross（传中），且高度为 Ground（地面）。
接球后用 .merge 找到接球事件，获取接球时的 location。
检查此时门将位置（通过门将的 location，通常门将坐标为 [x, 22~38]）。
计算接球者与门将的距离 dist_to_gk，若 < 30，且接球者前方（x轴方向）没有其他防守球员坐标（可用循环遍历所有防守球员的 location），则记为一次“单刀机会”。

def is_single_chance(row):
    # 获取传球后的接球事件
    related_ids = row['related_events']
    # related_events 中有 offside，直接返回 False
    if any(eid in offside_ids for eid in related_ids):
        return False
    # 找接球事件
    receive = df[df['id'].isin(related_ids) & (df['type_name']=='Receiving')]
    if receive.empty:
        return False
    receiver_loc = receive.iloc[0]['location']
    # 门将位置：从每个防守球员 events 里找 type 为 Goalkeeper 的
    # 此处简化：直接找离球门最近的对方球员，若距离>5，则可能是门将
    # 获取所有对方球员坐标（需有后续帧，此处略）
    # 假设我们已经拿到 opponents_locs 列表
    if not opponents_locs:
        return False
    # 找门将（最接近底线 x=120 的那个）
    gk = min(opponents_locs, key=lambda p: -p[0])  # 假定 x 越大越靠近球门
    dist = ((receiver_loc[0]-gk[0])**2 + (receiver_loc[1]-gk[1])**2)**0.5
    # 单刀定义：距离 < 30 且接球者比所有其他防守者更靠近球门
    # 这里用简单判断：前方没有其他防守者
    front_defenders = [p for p in opponents_locs if p[0] > receiver_loc[0] and p != gk]
    if dist < 30 and len(front_defenders) == 0:
        return True
    return False
# 应用函数
passes['is_single'] = passes.apply(is_single_chance, axis=1)
single_count = passes['is_single'].sum()
print(f"反越位成功形成单刀次数: {single_count}")

3 结果可视化（简单热力图）

import matplotlib.pyplot as plt
# 筛选出单刀传球的位置
single_passes = passes[passes['is_single']]
plt.scatter(single_passes['location'].apply(lambda x: x[0]), 
            single_passes['location'].apply(lambda x: x[1]), c='red')'反越位成功单刀发起位置')
plt.xlim(0, 120)
plt.ylim(0, 80)
plt.show()

常见问题与陷阱（FAQ）

Q1：明明裁判没吹越位，但传球后接球者犹豫了，还算单刀吗？
答：算，只要接球瞬间满足“前方无防守者”，无论是否立即射门，都属于“形成单刀”，但我们建议在结果中单独列出“形成单刀后射门/进球”的子类。

Q2：为什么我的统计结果比官方数据少？
官方统计（如Opta）通常包含“越位陷阱被打破后，即使接球者未触球但门将出击解围”也算，而我们的代码只统计了成功拿到球的，可以调整条件：即使未触球，只要防守者（门将）被迫出击也可以算作“形成威胁”。

Q3：如何处理门将位置不准确？
单场比赛中，门将可能出击到禁区外，建议取所有球员中 x 坐标最大（最接近对方底线）的球员作为门将，但需排除对方前锋？实际上门将通常 x>90，所以直接取 x>85 且 y<40 的球员。

扩展思路

区分“反越位单刀”与“反击单刀”：判断反击是看夺回球权后6秒内传球，反越位则看传球瞬间是否涉及越位线。
加入传球类型：直塞球（Through Pass）更容易反越位，可单独统计。
结合球队阵型：用 tactics_line 来判断三中卫/四后卫体系对反越位成功率的差异。

通过Python的 pandas + 事件数据，我们能够以 每分钟级别 的精度还原场上战术细节，本文的方法并非完美，但提供了一种可调整、可扩展的建模思路，如果您想深入跟踪某支球队的反越位战术执行质量，可以通过修改 is_single_chance 函数中的参数（如单刀距离阈值、是否要求传球前有假跑）来适应不同场景。

行动建议：下载最新联赛数据，跑一跑上面的代码，您会立刻发现那些“暗藏杀机”的前锋，比如某豪门左边锋的反越位单刀次数是右边的3倍，就说明战术倾斜严重，数据不会说谎，但您需要好的工具去聆听。