本文目录导读：
在足球分析中，xGA（Expected Goals Against，预期失球数） 是用来衡量防守端“质量”的核心指标，它反映的是对手获得的射门机会质量,而非单纯的结果。
实用脚本（通常指Python或R脚本）结合xGA评估防守表现，核心思路是：将xGA从“总量”拆解到“结构”和“场景”，再与“实际失球”和“投入成本”进行交叉验证。
以下是具体的结合维度、脚本逻辑和核心代码思路（以Python为例）：
数据准备与基础清洗
脚本需要处理两类数据：事件数据（射门、xG、位置）和球队数据（控球率、阵型）。
import pandas as pd
import numpy as np
# 示例：加载射门事件数据
df = pd.read_csv('shots.csv')
# 关键字段：team（进攻方）、opponent（防守方）、xG、location_x、location_y、situation（open_play/set_piece）、assist_type
# 防守视角：将所有射门归因于“防守方”
df['defending_team'] = df['opponent']
df['xga_conceded'] = df['xG'] # 防守方承担了这记射门的xG
核心评估维度与脚本公式
仅仅看“总xGA”不够，实用脚本应输出以下四个关键指标：
A. 防守效率指数（基于射门位置）
防守表现不好，往往是因为让对手在高风险区域（禁区中路）轻松起脚。
- 指标：
xGA per Shot（每次射门对应的失球期望）或High-Danger xGA Share（高风险射门占比）。 - 脚本逻辑：将球场划分为Zone 14（禁区弧顶）和Six-Yard Box（小禁区）。
# 定义区域（简化版，基于StatsBomb坐标）
df['zone'] = np.where((df['location_x'] > 102) & (df['location_y'] > 18) & (df['location_y'] < 62), 'Danger_Zone', 'Other')
# 计算高风险区域贡献的xGA占比
danger_share = df[df['zone'] == 'Danger_Zone']['xGA_conceded'].sum() / df['xGA_conceded'].sum()
print(f"危险区域xGA占比: {danger_share:.2%}")
# 若占比 > 60%，说明防线纵深保护极差，重点区域漏人严重。
B. 防守干扰度（对射门质量的限制）
即使对手射门多，但都是远射，说明防守站位成功，该指标衡量“防守方施加压迫后，对手xG下降了多少”。
- 指标：
Average xG per Shot Against（平均每次被射门的xG值），如果这个值低于联赛平均水平（lt;0.08）,说明防守成功限制了射门质量。
avg_xga_per_shot = df['xGA_conceded'].mean()
# 对比联赛均值（假设为0.10）
print(f"平均每次被射门xGA: {avg_xga_per_shot:.3f} | 联赛均值: 0.100")
# 若该值持续走低，说明对手被迫在低质量区域起脚，防守阵型压缩成功。
C. 预期失球 vs 实际失球（门将 + 防守抗压）
这是最经典的“运气/门将”检验。
- 指标：
PSxG（Post-Shot xG，射正后xG）与Goals Conceded的差值。 - 脚本逻辑：若球队xGA很高，但失球很少，通常意味着门将神勇或对手浪费机会，若xGA低但失球多,说明防守在关键位置犯规送点球或出现致命失误。
total_xga = df['xGA_conceded'].sum()
actual_conceded = 25 # 假设赛季失球数
difference = actual_conceded - total_xga
print(f"差值（实际-预期）: {difference:+.1f}")
# 若差值 > 0（如 +5.0），说明防守经常“送大礼”（如被判点球），或者门将扑救能力低于预期。
D. 攻防转换防守（由攻转守的即时反应）
这是评估高位压迫是否成功的关键，脚本需要标注比赛状态（In-Possession vs Out-Possession）。
- 指标：
xGA per Transition（每次攻防转换丢失球权后的失球期望）。 - 逻辑：结合深层次数据（如丢失球权地点），如果防线站位过高，且丢球后5秒内对手射门的xG极高，说明“反抢”失败。
# 假设df有 'momentum' 字段，标记 'transition'（攻防转换中）
transition_shots = df[df['momentum'] == 'transition']
transition_xga = transition_shots['xGA_conceded'].sum()
print(f"攻防转换失球占比: {transition_xga / total_xga:.2%}")
# 若该占比高于35%，说明防守在高位逼抢失败后的回追能力极差。
高阶结合：防守投入度（与控球率交叉）
实用脚本不应只看“被动挨打”，还要看“防守回报”。
- 公式：
Defensive Efficiency (DE) = xGA per 100 opponent passes（对手每100次传球，你丢多少xG）。 - 脚本应用：如果球队是弱队（控球率35%），通常xGA总量高，但DE值高说明防守有组织；DE值极高则说明“摆大巴”也防不住。
# 引入对手传球数据
opp_total_passes = 1500 # 对手该场总传球数
xga_per_100_passes = total_xga / (opp_total_passes / 100)
print(f"每百次传球失球期望: {xga_per_100_passes:.2f}")
可视化与自动报告（脚本输出）
优秀的实用脚本应自动生成雷达图或热区图,供教练组快速阅读。
- 图像1：防守射门热区图，将对手的射门位置标红，红点越大、越接近圆心（球门）,说明防守漏洞越大。
- 图像2：时间序列图，累计xGA曲线 vs 实际失球曲线，如果实际失球曲线斜率在最后20分钟陡增,说明体能下降导致防守崩溃。
一份专业的防守报告输出逻辑
脚本的最后,建议输出以下自动生成的结论：
- 结构性风险：xGA主要由中路渗透造成（高危区域占比高）,而非边路传中。
- 门将状态过滤：xGA 12.0，但实际失球 15，说明防守“预期表现”好于实际,这3球差可能归因于门将或致命失误。
- 战术针对性：在面对反击型球队时（主打攻防转换），该队xGA是常规状态的1.5倍,说明需要调整高位防线站位。
核心工具推荐（Python库）
- 数据清洗：
pandas。 - 空间计算：
matplotlib、mplsoccer（足球专用绘图库，画球场和专业热力图）。 - 自动报告：
Jupyter Notebook导出为PDF。
最后的建议：真正的“实用”在于脚本的参数可调节性，如果你评估的是低位防守，脚本中的“危险区域”定义就需要向外扩（如引进两侧45度传中区域），把zone的坐标阈值开放为函数参数,就是最实用的脚本设计。
