根据python案例，球门球长传准确率？

wen python案例 2026-08-19 160

本文目录导读：

案例场景
模拟数据生成
计算整体准确率
按区域拆分
按半场拆分
可视化：用热力图展示区域×半场的准确率
进阶：真实数据的分析逻辑

球门球长传准确率”的Python案例，通常出现在足球数据分析项目中，虽然标准数据提供商（如Opta、StatsBomb）对“长传”有严格定义，但我们可以用Python模拟或分析一个经典场景。

这里我提供一个模拟数据生成 + 统计分析的案例，并给出核心代码，假设我们有一支球队的门将，历史比赛中的球门球长传记录。

案例场景

目标：分析门将长传的总体准确率，按球场区域（左/中/右）或比赛阶段（上半场/下半场）拆分，并用可视化展示。

模拟数据生成

我们将生成1000次球门球长传记录,包含：传球方向、是否成功、比赛阶段。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 设置随机种子，保证可复现
np.random.seed(42)
# 模拟数据量
n = 1000
# 生成传球区域（左/中/右）
zone = np.random.choice(['Left', 'Center', 'Right'], size=n, p=[0.3, 0.4, 0.3])
# 生成比赛阶段（上半场/下半场）
half = np.random.choice(['First Half', 'Second Half'], size=n, p=[0.5, 0.5])
# 生成是否成功（假设总体准确率约60%，且下半场因体力下降略低）
# 使用逻辑回归模拟概率更真实，这里简单用随机数
base_success_rate = 0.60
# 区域影响：中路成功率略高，边路略低
zone_effect = {'Left': -0.05, 'Center': 0.08, 'Right': -0.03}
# 半场影响：下半场下降3%
half_effect = {'First Half': 0.0, 'Second Half': -0.03}
# 计算每个样本的成功概率
prob = []
for i in range(n):
    p = base_success_rate + zone_effect[zone[i]] + half_effect[half[i]]
    # 限制在0-1之间
    p = max(0.1, min(0.9, p))
    prob.append(p)
# 根据概率生成成功与否（0/1）
success = np.random.binomial(1, prob)
# 创建DataFrame
df = pd.DataFrame({
    'Zone': zone,
    'Half': half,
    'Success': success
})
print(df.head())

计算整体准确率

overall_accuracy = df['Success'].mean()
print(f"整体球门球长传准确率: {overall_accuracy:.2%}")  # 输出约 59.8%

按区域拆分

zone_accuracy = df.groupby('Zone')['Success'].mean().sort_values(ascending=False)
print("\n各区域长传准确率：")
print(zone_accuracy.apply(lambda x: f"{x:.2%}"))

输出示例：

Zone
Center    68.12%
Right     57.65%
Left      56.24%

按半场拆分

half_accuracy = df.groupby('Half')['Success'].mean()
print("\n各半场长传准确率：")
print(half_accuracy.apply(lambda x: f"{x:.2%}"))

输出示例：

Half
First Half     61.37%
Second Half    58.11%

可视化：用热力图展示区域×半场的准确率

# 构建交叉表
cross_tab = df.pivot_table(index='Half', columns='Zone', values='Success', aggfunc='mean')
# 绘制热力图
plt.figure(figsize=(8, 4))
sns.heatmap(cross_tab, annot=True, fmt=".1%", cmap="RdYlGn", linewidths=0.5)'球门球长传准确率热力图 (按区域与半场)')
plt.ylabel('比赛阶段')
plt.xlabel('传球区域')
plt.tight_layout()
plt.show()

进阶：真实数据的分析逻辑

如果是真实比赛数据（通常为CSV或JSON格式），字段可能包括：

gk_pass_long（是否长传，布尔值）
outcome（成功/失败）
x、y 坐标（传球起点/终点）
period（比赛分钟/阶段）

真实数据处理流程：

# 读取数据（假设有数据源）
# df = pd.read_csv('goalkeeper_passes.csv')
# 0. 筛选球门球（通常认为是门将开球，且起点靠近球门线）
# df = df[(df['type'] == 'Pass') & (df['pass_length'] == 'Long')]
# 1. 定义长传成功 = 传球到达本方半场前场或对方半场且队友接到球
# df['long_pass_success'] = df.apply(lambda x: 
#                                      1 if x['pass_outcome'] == 'Complete' 
#                                      and x['distance'] > 40 else 0, axis=1)
# 2. 计算成功率
# overall_rate = df['long_pass_success'].mean()
# 3. 按方向（左/中/右）分组统计
# df['direction'] = pd.cut(df['pass_end_x'], bins=[0, 33, 66, 100], labels=['Left', 'Center', 'Right'])
# rate_by_direction = df.groupby('direction')['long_pass_success'].mean()
# 4. 按比赛时间（每15分钟）分析体能对准确率的影响
# df['time_group'] = pd.cut(df['minute'], bins=[0,15,30,45,60,75,90], right=False)
# rate_by_time = df.groupby('time_group')['long_pass_success'].mean()

在这个模拟案例中,门将长传的总体准确率约为 60%，