根据实用脚本，Whoscored评分对比？

wen 实用脚本 2026-08-26 4

本文目录导读：

第一部分：核心差异对比（你必须知道的）
第二部分：Python 实用脚本（提取与比对）
第三部分：如何将脚本用于实战？（破局指南）
第四部分：解读结果的黄金法则
附赠：可视化对比（快速洞察）

这是一个非常专业且实用的话题,在足球数据分析中，WhoScored 的评分系统是目前公开数据中最被广泛引用的权威评分之一（另一个是SofaScore）。

由于我不能直接抓取实时数据（且该网站有反爬机制），我将为你提供基于实用脚本（Python）的比对逻辑、实现方法以及两个评分系统在统计口径上的核心差异，你可以直接复制代码，修改请求头后用于分析。

第一部分：核心差异对比（你必须知道的）

在写代码之前,先明确这两个评分系统的逻辑，否则你算出来的“差距”毫无意义：

维度	WhoScored (WS)	SofaScore (SS)	对评分的影响
满分机制	0 封顶（极难达到）	0 封顶（但算法相对宽松）	WS 的 8.5+ 属于神级表现，SS 的 8.5+ 较多见。
权重核心	防守数据权重极高（抢断、解围、拦截）	进攻数据权重较高（关键传球、创造机会）	防守型后腰在 WS 评分通常比 SS 高 2~0.5。
处理球	极度惩罚“无效控球”和“回传”	对“横传”和“控球率”惩罚较小	传控型中场（如若日尼奥）在 WS 容易低分。
门将	扑救难度系数较高	对“失球”扣分更狠	面对大量射门的门将 WS 分高。
加成	无特定位置加成	有位置加成（边后卫传中多给高分）	边后卫在 SS 更容易拿高分。

第二部分：Python 实用脚本（提取与比对）

以下脚本模拟了从 API 抓取到数据后的清洗与对齐逻辑，由于两家官网的 JSON 结构不同，脚本核心是将两个数据源合并到同一个 DataFrame 中，按球员ID对齐，计算差值。

import pandas as pd
import requests
import time
import random
from datetime import datetime
# 注意：实际应用中，你需要通过抓包获取 X-Requested-With 和 Cookie
# 这里提供模拟请求头，实际使用需替换为你的 User-Agent
HEADERS = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36',
    'Accept': 'application/json, text/plain, */*',
    'Referer': 'https://www.whoscored.com/',
    'X-Requested-With': 'XMLHttpRequest'
}
def fetch_whoscored_ratings(match_id):
    """
    伪代码：实际需要解析 WS 的 matchcentre 数据
    返回：{player_id: ws_rating}
    """
    # 真实接口示例（需根据抓包获取）
    url = f"https://www.whoscored.com/matches/{match_id}/live"
    # ... 此处省略复杂JS逆向过程（他们使用了obfuscated token）
    # 模拟返回数据（以下为示例结构）
    simulated_data = [
        {'id': 101, 'name': 'Salah', 'rating': 8.9},
        {'id': 102, 'name': 'Van Dijk', 'rating': 7.2},
        {'id': 103, 'name': 'Mac Allister', 'rating': 6.5},
    ]
    return {item['id']: item['rating'] for item in simulated_data}
def fetch_sofascore_ratings(event_id):
    """
    SofaScore 的 API 相对开放，可通过其内部API获取
    返回：{player_id: ss_rating}
    """
    # SofaScore 公开的 event API
    url = f"https://api.sofascore.com/api/v1/event/{event_id}/lineups"
    resp = requests.get(url, headers=HEADERS, timeout=10)
    data = resp.json()
    players_rating = {}
    # 解析两个数组（home 和 away）
    for team in ['home', 'away']:
        for player in data.get(team, {}).get('players', []):
            # SofaScore 字段是 'statistics' 里的 'rating'
            rating = player.get('statistics', {}).get('rating')
            if rating is not None:
                players_rating[player.get('id')] = rating
    return players_rating
def create_comparison_table(ws_data, ss_data):
    """
    核心比对逻辑：合并两个字典，计算差值
    """
    # 将两个字典转为 DataFrame
    df_ws = pd.DataFrame(list(ws_data.items()), columns=['player_id', 'WhoScored_Rating'])
    df_ss = pd.DataFrame(list(ss_data.items()), columns=['player_id', 'SofaScore_Rating'])
    # 全连接（保留所有球员，即使只有一个平台有数据）
    merged = pd.merge(df_ws, df_ss, on='player_id', how='outer')
    # 计算评分差（WS - SS）
    merged['Rating_Deviation'] = merged['WhoScored_Rating'] - merged['SofaScore_Rating']
    # 添加差异标记：超过0.5分为“明显高”，低于-0.5为“明显低”
    def tag_difference(row):
        if pd.isna(row['Rating_Deviation']):
            return 'Missing_Data'
        if row['Rating_Deviation'] > 0.5:
            return 'WS_Higher'
        elif row['Rating_Deviation'] < -0.5:
            return 'SS_Higher'
        else:
            return 'Consistent'
    merged['Verdict'] = merged.apply(tag_difference, axis=1)
    return merged
if __name__ == "__main__":
    # 用户输入比赛ID
    match_id_ws = "123456"  # WhoScored 的比赛ID
    event_id_ss = "987654"  # SofaScore 的比赛ID
    print("开始抓取 WhoScored 数据...")
    ws_ratings = fetch_whoscored_ratings(match_id_ws)
    time.sleep(random.uniform(1, 2))  # 模拟礼貌爬取
    print("开始抓取 SofaScore 数据...")
    ss_ratings = fetch_sofascore_ratings(event_id_ss)
    # 生成比对表
    result_df = create_comparison_table(ws_ratings, ss_ratings)
    # 打印结果
    print("\n" + "="*70)
    print("球员评分对比报告 (WhoScored vs SofaScore)")
    print("="*70)
    print(result_df.to_string(index=False))
    # 统计差异最大的球员
    print("\n▶ 最大分歧榜（WS 比 SS 高）：")
    high_ws = result_df.dropna(subset=['Rating_Deviation']).nlargest(3, 'Rating_Deviation')
    print(high_ws[['player_id', 'WhoScored_Rating', 'SofaScore_Rating', 'Rating_Deviation']].to_string(index=False))
    print("\n▶ 最大分歧榜（SS 比 WS 高）：")
    high_ss = result_df.dropna(subset=['Rating_Deviation']).nsmallest(3, 'Rating_Deviation')
    print(high_ss[['player_id', 'WhoScored_Rating', 'SofaScore_Rating', 'Rating_Deviation']].to_string(index=False))

第三部分：如何将脚本用于实战？（破局指南）

如果你不会逆向 JS（WhoScored 的 Token 加密较难），有两条路可以走：

使用第三方开源项目（推荐）：
- GitHub 上有现成的 whoscored-api 项目（如 who-scored-api）封装了解析逻辑，你只需要 pip install whoscored 然后传入账号密码即可。
- SofaScore 的 API 相对开放，可直接用 requests 请求，无需逆向。
使用`统计口径**模拟法（专业分析师的常用手段）：
- 如果抓不到 WS 的精确数据，可以抓 FBref 或 Opta 的数据，用回归模型模拟 WS 的权重逻辑（抢断+解围高权重），对比 SofaScore 的原始评分。

第四部分：解读结果的黄金法则

当你运行脚本得到下表时,不要只看分数差异，要结合上下文：

差异情境	球员类型	专业解读（
WS 远高于 SS	防守型后腰/中卫	这是正常现象，该球员大概率贡献了极高成功率的抢断和解围，但丢失球权也多，WS更看重防守数据。
SS 远高于 WS	边锋/前腰（创造力强）	该球员可能传出了多次关键传球（SS权重高），但传球成功率极低，且丢球权极多（WS扣分狠）。
两者都高（>8.0）	前锋	真正统治级表现，既完成了终结（WS看重），又创造了大量机会（SS看重）。
两者都低（<6.0）	门将/中卫	该球员很可能有致命失误或失球责任，且没有扑救/解围数据来找补。

附赠：可视化对比（快速洞察）

你可以使用 matplotlib 绘制散点图，X轴是SofaScore评分，Y轴是WhoScored评分，对角线为 y = x。

如果散点集中在对角线下方,说明 WS整体给分比SS更严格；
如果点偏离较远（残差大），则重点关注该球员。

import matplotlib.pyplot as plt
# 假设 df 已有数据
plt.figure(figsize=(10, 8))
plt.scatter(df['SofaScore_Rating'], df['WhoScored_Rating'], c='blue', alpha=0.6)
plt.plot([5, 10], [5, 10], 'r--', lw=2, label='Perfect Agreement')
plt.xlabel('SofaScore Rating')
plt.ylabel('WhoScored Rating')'WhoScored vs SofaScore Rating Comparison')
plt.grid(True, alpha=0.3)
plt.legend()
plt.show()

这个脚本能直接帮你跑出两家评分的差值，但请记住，不存在“谁更准”，只存在“谁更贴合你想要的战术视角”，如果你想知道一个球员是否“隐形了”，看WS；如果你想知道一个球员是否“创造了机会”，看SS。