python案例统计任意球直接得分几次？

wen python案例 2026-08-14 5

本文目录导读：

引言：为什么用Python统计任意球数据？
数据准备：从哪获取任意球数据？
核心逻辑：如何定义“任意球直接得分”？
代码实战：统计任意球直接得分的完整Python案例
结果可视化：用图表展示统计效果
常见问题答疑（FAQ）
扩展思考：如何将此方法应用于其他体育数据？

**
《Python实战案例：如何用代码统计任意球直接得分次数？——从数据清洗到可视化的完整指南》

目录导读

引言：为什么用Python统计任意球数据？
数据准备：从哪获取任意球数据？
核心逻辑：如何定义“任意球直接得分”？
代码实战：统计任意球直接得分的完整Python案例
结果可视化：用图表展示统计效果
常见问题答疑（FAQ）
扩展思考：如何将此方法应用于其他体育数据？

引言：为什么用Python统计任意球数据？

在足球数据分析中,任意球直接得分（即球员主罚任意球绕过人墙直接破门）是衡量定位球能力的重要指标，传统手工统计费时费力，而Python凭借其强大的数据处理库（如pandas、matplotlib）能在几分钟内完成从数据清洗到结果输出的全流程。

核心痛点：原始数据通常包含“任意球进球”和“间接任意球进球”的混合记录，如何精准筛选出“直接得分”？

解决方案：通过事件标记（如“Goal - Free Kick”或“Direct Free Kick”字段）结合比赛录像标签，设计自动化过滤规则。

数据准备：从哪获取任意球数据？

公开数据集：Kaggle的“European Football Data”或WhoScored的API（需申请密钥）。
手动采集：使用BeautifulSoup爬取FIFA官网或FBref.com的逐场事件数据。
示例数据字段：match_id、player_name、minute、event_type（如“Free Kick”）、sub_type（如“Direct”）、outcome（如“Goal”）。

核心逻辑：如何定义“任意球直接得分”？

关键筛选条件：

event_type 必须为 “Free Kick”
sub_type 必须为 “Direct” 或 “Direct Free Kick”
outcome 必须为 “Goal”

边界情况处理：

如果数据中无“sub_type”字段，可依据“射门后是否触及其他球员”判断——若进球前后1秒内无其他球员触球记录，则视为直接得分。
注意角旗区附近的任意球（通常算间接）——需结合坐标或注释排除。

代码实战：统计任意球直接得分的完整Python案例

import pandas as pd
# 加载数据（假设CSV格式）
df = pd.read_csv('football_events.csv')
# 筛选任意球事件
free_kicks = df[df['event_type'] == 'Free Kick'].copy()
# 筛选直接任意球（两种可能的字段标记）
direct_fk = free_kicks[
    (free_kicks['sub_type'].str.contains('Direct', case=False, na=False)) |
    (free_kicks['detail'].str.contains('direct', case=False, na=False))
]
# 筛选得分
goals = direct_fk[direct_fk['outcome'] == 'Goal']
# 统计总次数
total_direct_fk_goals = len(goals)
print(f"任意球直接得分总次数: {total_direct_fk_goals}")
# 按球员分组统计
player_stats = goals.groupby('player_name').size().reset_index(name='count')
player_stats = player_stats.sort_values('count', ascending=False)
print("\n球员任意球直接得分排名（前5）：")
print(player_stats.head())
# 按球队统计（如果需要）
team_stats = goals.groupby('team').size().reset_index(name='count')
print("\n球队任意球直接得分排名（前3）：")
print(team_stats.head(3))

输出示例：

任意球直接得分总次数: 47
球员任意球直接得分排名（前5）：
      player_name  count
1    C. Ronaldo      8
4   L. Messi         6
2   M. Alisson      4
...

结果可视化：用图表展示统计效果

import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(10,6))
sns.barplot(data=player_stats.head(10), x='count', y='player_name', palette='viridis')'Top 10 Players with Most Direct Free Kick Goals')
plt.xlabel('Number of Goals')
plt.tight_layout()
plt.savefig('free_kick_stats.png', dpi=300)
plt.show()

图表效果：横向条形图清晰展示排名，便于报告或社交媒体分享。

常见问题答疑（FAQ）

Q1：如果数据中没有“Direct”标签，怎么办？
A：可结合比赛事件顺序——在任意球事件后的2秒内，如果无其他球员触球（即有传球或解围事件），则判定为直接射门，示例代码：

# 假设有'next_event'列
df['next_event'] = df.groupby('match_id')['event_type'].shift(-1)
df['time_to_next'] = df.groupby('match_id')['minute'].diff(-1).abs()
direct_shot = df[(df['event_type'] == 'Free Kick') & 
                 (df['next_event'] == 'Shot') & 
                 (df['time_to_next'] <= 2)]

Q2：如何区分“任意球直接破门”和“任意球射门被扑出后补射”？
A：检查进球事件是否为该任意球事件的直接结果——若进球时间与任意球时间间隔小于1秒且期间无其他事件，则判定为直接命中。

Q3：统计结果不准确，可能是数据源的问题吗？
A：是的，不同数据源标记差异较大，建议使用至少两个源交叉验证（如WhoScored + Opta）。