本文目录导读：
这是一个非常专业且实用的问题,评价中场控制力，不能只看控球率，因为无效控球（后场倒脚）和有效控球（威胁性传递）天差地别。
要写一个真正“实用”的脚本，我建议采用多维度加权评分模型，以下我提供一个基于 Python 和公开数据（如 StatsBomb 或 Understat 的开放数据，或你自己抓取的技术统计）的脚本框架，并附带详细的计算逻辑。
核心评价维度（核心指标）
我们通过以下4个一级指标、8个二级指标来量化：
- 控球质量：不仅是时间，更是“向前推进”的效率。
- 逼抢强度：中场的核心价值在于防守时的拦截与破坏。
- 出球效率：连接后场与前场的枢纽作用。
- 创造空间：通过跑动和传递撕开防线的能力。
脚本实现（Python）
这个脚本假设你有一个包含两队数据的 CSV 或 JSON 文件，如果直接对接 API（如 Footystats），只需修改数据读取部分。
import pandas as pd
import numpy as np
def midfield_control_score(df_home, df_away, weights=None):
"""
计算两队的中场控制力对比
参数:
df_home: 主队中场相关数据集
df_away: 客队中场相关数据集
weights: 字典，自定义各指标权重
返回:
DataFrame: 包含各指标得分及总分
"""
# 默认权重（基于足球战术分析经验）
default_weights = {
'pass_accuracy': 0.15, # 传球成功率
'progressive_passes': 0.20, # 向前传球成功率
'recoveries_mid': 0.15, # 中场夺回球权
'tackles_mid': 0.10, # 中场抢断
'interceptions_mid': 0.10, # 中场拦截
'pressure_success': 0.15, # 高位逼抢成功率
'possession_contested': 0.10, # 对抗中的控球率（50/50球权）
'through_balls': 0.05 # 关键直塞球
}
if weights is None:
weights = default_weights
# ---------- 数据标准化函数 (Min-Max归一化) ----------
def normalize(series):
return (series - series.min()) / (series.max() - series.min())
# ---------- 计算主队得分 ----------
home = {}
home['pass_accuracy'] = df_home['pass_accuracy'] # 例：0.85 (85%)
home['progressive_passes'] = df_home['progressive_passes'] / max(df_home['total_passes'], 1) # 向前传球占比
home['recoveries_mid'] = df_home['recoveries_mid'] / max(df_home['total_recoveries'], 1) # 中场夺回球权占比
home['tackles_mid'] = df_home['tackles_mid'] / max(df_home['total_tackles'], 1)
home['interceptions_mid'] = df_home['interceptions_mid'] / max(df_home['total_interceptions'], 1)
home['pressure_success'] = df_home['pressures_success'] / max(df_home['total_pressures'], 1) # 逼抢成功率
home['possession_contested'] = df_home['contested_duels_won'] / max(df_home['total_contested'], 1) # 中场对抗成功
home['through_balls'] = df_home['through_balls'] / max(df_home['total_passes'], 1) # 关键球尝试率
# 同理计算 away...
away = {k: val for k, val in home.items()} # 占位，实际需替换
# ---------- 计算最终得分 ----------
final_scores = {}
for team, data in [('Home', home), ('Away', away)]:
score = 0
breakdown = {}
for metric, weight in weights.items():
score += data[metric] * weight
breakdown[metric] = round(data[metric] * weight, 4)
final_scores[team] = {
'total_score': round(score, 4),
'breakdown': breakdown
}
# 标准化对比（转化为百分比优势）
total_home = final_scores['Home']['total_score']
total_away = final_scores['Away']['total_score']
# 防止除零
if total_home + total_away == 0:
home_pct = 50.0
away_pct = 50.0
else:
home_pct = total_home / (total_home + total_away) * 100
away_pct = total_away / (total_home + total_away) * 100
result = {
'home_control_percentage': round(home_pct, 1),
'away_control_percentage': round(away_pct, 1),
'home_score_details': final_scores['Home'],
'away_score_details': final_scores['Away'],
'verdict': '主队中场占优' if home_pct > 55 else ('客队中场占优' if away_pct > 55 else '中场势均力敌')
}
return result
# ---------- 使用示例（模拟假数据） ----------
if __name__ == "__main__":
# 模拟一场比赛的数据
data = {
# 主队
'pass_accuracy': 0.89,
'total_passes': 520,
'progressive_passes': 160,
'recoveries_mid': 45,
'total_recoveries': 80,
'tackles_mid': 12,
'total_tackles': 20,
'interceptions_mid': 8,
'total_interceptions': 14,
'pressures_success': 22,
'total_pressures': 60,
'contested_duels_won': 25,
'total_contested': 55,
'through_balls': 6,
# 客队
'pass_accuracy_away': 0.84,
'total_passes_away': 480,
'progressive_passes_away': 110,
'recoveries_mid_away': 38,
'total_recoveries_away': 75,
'tackles_mid_away': 18,
'total_tackles_away': 30,
'interceptions_mid_away': 10,
'total_interceptions_away': 16,
'pressures_success_away': 28,
'total_pressures_away': 65,
'contested_duels_won_away': 22,
'total_contested_away': 50,
'through_balls_away': 3,
}
# 构造 DataFrame（此处为了演示，手动拆分）
df_home = pd.DataFrame([{k: v for k, v in data.items() if not k.endswith('_away')}])
df_away = pd.DataFrame([{k.replace('_away', ''): v for k, v in data.items() if k.endswith('_away')}])
# 调用函数
result = midfield_control_score(df_home, df_away)
print(f"🏟️ 中场控制力对比：")
print(f"🔴 主队控制力: {result['home_control_percentage']}%")
print(f"🔵 客队控制力: {result['away_control_percentage']}%")
print(f"📊 {result['verdict']}")
print("\n📋 主队详细得分构成：")
for k, v in result['home_score_details']['breakdown'].items():
print(f" {k}: {v}")
print("\n📋 客队详细得分构成：")
for k, v in result['away_score_details']['breakdown'].items():
print(f" {k}: {v}")
脚本使用前的必备工作（数据获取）
这个脚本的核心是数据准确性，你不需要手工输入，一般通过以下方式自动化获取：
- 对接免费API（如 API-Football， Understat）：
提取两队全场或半场的传球数、抢断数、地面对抗数据。
- 解析公开JSON：
如果你用的是 StatsBomb 或 Wyscout 的开源数据集，直接映射字段名即可。
进阶增强建议（让脚本更智能）
-
引入“局势加权”： 领先/落后时的控球意义不同，脚本可加入时段的变量（65分钟落后时的高位逼抢权重要提升0.1）。
-
空间维度分析： 真正的控制力在于“中场三区”（本方中场、中场中圈、中场前侧）的活动，脚本可以统计关键传球的发生区是否多在中场30米区域。
-
可视化输出： 可以用
matplotlib绘制雷达图，直接输出两队在中场的六个维度对比雷达图，这样看起来更直观。
简洁版（无代码）人工观察法
如果你不想写代码,看数据时记住这几个进阶指标的组合：
- 公式判断：
（前传球成功次数 + 拦截成功次数）÷ （总传球次数）数值越高，说明推进得越有效率。 - 看“夺回球权”的位置：如果A队夺回球权多在犯规次数少且在前场40米区域，B队多在中后场，那么A队的中场控制力表现在“高位压迫”上更胜一筹。
使用建议：把脚本中的权重参数 weights 根据你关注的联赛风格（如英超强调对抗，西甲强调传导）进行微调，效果会更好，希望这个框架对你有用！
