实用脚本统计长短传比例如何分布？

wen 实用脚本 2026-08-14 7

本文目录导读：

实用脚本统计长短传比例如何分布？

准备工作
脚本代码（Python + Pandas + Matplotlib）
使用方法
常见数据格式适配
输出示例
进阶玩法

在足球数据分析中,“长短传比例”通常指短传（成功率较高、距离较近）与长传（距离远、转移或发动进攻）的分布情况，由于不同数据源（如Opta、StatsBomb）对“长传”的定义不同（通常以距离为标准，如超过30米/35码，或传球性质为标准），这里我提供一个通用且可自定义阈值的Python统计脚本。

该脚本将自动完成以下功能：

读取包含传球数据的CSV/Excel文件。
根据你设定的距离阈值（或自定义规则）将传球分为“短传”和“长传”。
统计总占比、成功/失败比例，以及不同区域（前场/后场）的分布。
生成可视化图表（堆叠柱状图）。

准备工作

请确保你的传球数据表包含以下列（名称可自定义，脚本中会提示修改）：

player：球员名（可选）
x, y：传球起点坐标
end_x, end_y：传球终点坐标
outcome：传球结果（如 “Complete” 或 “Incomplete”）

如果没有坐标,只有“传球距离”和“结果”列，也可以直接使用。

脚本代码（Python + Pandas + Matplotlib）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# ================== 配置区 ==================
FILE_PATH = 'passes.csv'  # 文件路径
LONG_PASS_DISTANCE = 30.0  # 长传定义：距离（米）超过此值即算长传
# 如果你的数据是英制（码），请调整此值，25码 = 22.86米
# 坐标比例尺：如果坐标是0-100的百分比坐标，通常1单位=1米；如果是0-1，则乘以100
# 如果坐标单位是米，保持为1；如果是0-1，设置为100
COORD_SCALE = 1.0
# 列名映射（如果你的列名不同，请修改）
COL_X = 'x'
COL_Y = 'y'
COL_END_X = 'end_x'
COL_END_Y = 'end_y'
COL_OUTCOME = 'outcome'
SUCCESS_LABEL = 'Complete'  # 表示成功传球的标记
# ================== 配置结束 ==================
print("正在读取数据...")
df = pd.read_csv(FILE_PATH)
# 数据预处理：确保坐标是数值
for col in [COL_X, COL_Y, COL_END_X, COL_END_Y]:
    df[col] = pd.to_numeric(df[col], errors='coerce')
# 删除缺少坐标的数据
df = df.dropna(subset=[COL_X, COL_Y, COL_END_X, COL_END_Y])
# 计算传球距离（欧氏距离）
df['pass_distance'] = np.sqrt(
    (df[COL_END_X] - df[COL_X])**2 + 
    (df[COL_END_Y] - df[COL_Y])**2
) * COORD_SCALE
# 根据距离分类
df['pass_type'] = np.where(df['pass_distance'] > LONG_PASS_DISTANCE, '长传', '短传')
# 判断成功与否（标准化：成功标记设为1）
df['is_success'] = (df[COL_OUTCOME] == SUCCESS_LABEL).astype(int)
print(f"总传球次数: {len(df)}")
print(f"平均传球距离: {df['pass_distance'].mean():.2f} 米")
# ========== 统计总体分布 ==========
print("\n===== 长短传总体分布 =====")
type_counts = df['pass_type'].value_counts()
type_percent = df['pass_type'].value_counts(normalize=True) * 100
for t in ['短传', '长传']:
    if t in type_counts.index:
        print(f"{t}: {type_counts[t]}次 ({type_percent[t]:.1f}%)")
    else:
        print(f"{t}: 0次 (0.0%)")
# ========== 统计成功率 ==========
print("\n===== 长短传成功率 =====")
success_stats = df.groupby('pass_type')['is_success'].agg(['mean', 'count'])
success_stats['mean'] = success_stats['mean'] * 100
success_stats.columns = ['成功率(%)', '总次数']
print(success_stats)
# ========== 按区域统计（前后场） ==========
print("\n===== 按球场区域分布（以x轴中线为界） =====")
# 假设x为横坐标，0为后场，100为前场
mid_line = 50.0
df['zone'] = np.where(df[COL_X] > mid_line, '前场', '后场')
# 分组统计
zone_type_stats = df.groupby(['zone', 'pass_type']).size().unstack(fill_value=0)
zone_type_stats['总数'] = zone_type_stats.sum(axis=1)
# 计算比例
zone_type_stats['短传占比'] = zone_type_stats.get('短传', 0) / zone_type_stats['总数'] * 100
zone_type_stats['长传占比'] = zone_type_stats.get('长传', 0) / zone_type_stats['总数'] * 100
print(zone_type_stats[['总数', '短传占比', '长传占比']])
# ========== 可视化 ==========
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文
plt.rcParams['axes.unicode_minus'] = False
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
# 图1：长短传数量及成功失败堆叠柱状图
plot_df = df.groupby(['pass_type', 'is_success']).size().unstack(fill_value=0)
plot_df.columns = ['失败', '成功']
plot_df = plot_df.reindex(['短传', '长传'])
plot_df.plot(kind='bar', stacked=True, ax=axes[0], color=['#d62728', '#2ca02c'])
axes[0].set_title('长短传成功/失败分布')
axes[0].set_ylabel('传球次数')
axes[0].set_xlabel('传球类型')
axes[0].legend(title='结果')
axes[0].tick_params(axis='x', rotation=0)
# 图2：前后场长短传占比堆积图
zone_chart_data = zone_type_stats[['短传占比', '长传占比']]
zone_chart_data.plot(kind='bar', stacked=True, ax=axes[1], color=['#1f77b4', '#ff7f0e'])
axes[1].set_title('前后场长短传占比分布')
axes[1].set_ylabel('占比 (%)')
axes[1].set_xlabel('球场区域')
axes[1].legend(title='传球类型')
axes[1].tick_params(axis='x', rotation=0)
plt.tight_layout()
plt.show()
# ========== 附加：进阶分析（可选） ==========
# 输出每个球员的长短传比例（如果有player列）
if 'player' in df.columns:
    print("\n===== 球员长短传比例 (前10) =====")
    player_stats = df.groupby(['player', 'pass_type']).size().unstack(fill_value=0)
    player_stats['总数'] = player_stats.sum(axis=1)
    player_stats['短传占比'] = player_stats.get('短传', 0) / player_stats['总数'] * 100
    player_stats['长传占比'] = player_stats.get('长传', 0) / player_stats['总数'] * 100
    # 过滤至少尝试10次传球的球员
    player_stats = player_stats[player_stats['总数'] >= 10]
    top_players = player_stats.sort_values('长传占比', ascending=False).head(10)
    print(top_players[['总数', '短传占比', '长传占比']])

使用方法

安装依赖：

pip install pandas matplotlib seaborn numpy

准备数据：将你的传球数据保存为 passes.csv，确保包含上述列。
调整参数：根据你的数据源单位，修改 LONG_PASS_DISTANCE 和 COORD_SCALE。

常见数据格式适配

数据源	坐标范围	脚本调整
StatsBomb	0-120 (x), 0-80 (y)	`COORD_SCALE = 1`，阈值设为 `30` (米)
Opta	0-100	`COORD_SCALE = 1`，阈值设为 `25~30`，视打法而定
事件数据（无坐标）	只有“distance”列	可将脚本中计算距离的行替换为 `df['distance']`

如果你想直接用传球距离（distance列）而非坐标，替换这段代码：

# 原来的坐标计算
df['pass_distance'] = df['distance']  # 直接用现成的

输出示例

运行后终端会输出：

总传球次数: 2456
平均传球距离: 18.32 米
===== 长短传总体分布 =====
短传: 1820次 (74.1%)
长传: 636次 (25.9%)
===== 长短传成功率 =====
          成功率(%)  总次数
pass_type
长传      56.2     636
短传      91.3    1820

以及两张图表：

左图：红绿堆叠柱状图，显示短传/长传的成功与失败次数。
右图：前后场长短传占比，直观看出球队在进攻三区是否更倾向于短传渗透。

进阶玩法

定义复杂长传：如果长传不仅是距离，还有“传中”、“转移”等属性，可在数据中加入type列，df['pass_type'] = df.apply(lambda x: '长传' if (x['distance']>30 and x['type']=='cross') else '短传', axis=1)。
时间序列：按分钟分组，看比赛不同阶段的传接球策略变化。
方向分布：结合传球终点x坐标，判断是向前传球还是横传/回传。

这个脚本可完全按需修改,适应不同的统计口径，如果数据格式有特定要求，欢迎提供样例，我可以进一步优化。