本文目录导读：
开源项目统计扑救次数门将谁更忙”这个问题，我理解你可能是在问：在足球数据（特别是门将扑救数据）相关的开源项目中，如何通过数据来判断哪位门将“更忙”？
这里涉及两个层面：数据来源和统计口径，下面详细拆解一下。
核心结论
单纯比“扑救次数”多，并不能直接得出“谁更忙”的结论。 在严谨的数据分析中，通常用“面对射门次数”或“预期失球数（xGA）”来定义“忙”，而用“扑救成功率”来衡量“质量”。
为什么“扑救次数多”不等于“更忙”？
如果一个门将高接低挡,扑出20次射门，这看起来很忙，但如果这20次射门里，有15次是对方的漫无目的远射，那这个门将其实只是在“做机械运动”而已。
“更忙”的正确衡量维度：
- 面对高威胁射门的次数（即对手在禁区内、单刀、点球等情况下的射门）。
- 出击次数（处理传中、拦截直塞）。
- 有效触球时间（参与组织进攻的时间）。
开源项目中常见的统计字段（以 StatsBomb 或 Opta 数据为例）
在如 StatsBombR、SPADL 或 Kloppy 等开源足球数据包里，关于门将的字段通常包含：
| 字段名称 | 含义 | 对“忙”的贡献度 |
|---|---|---|
| saves | 扑救次数 | 低（只算成功扑救） |
| shots_on_target_against | 面对射正数 | 高（这是门将要干活的基础） |
| goals_conceded | 丢球数 | 低（丢球不一定代表忙） |
| penalty_goals | 点球失球 | 无（点球属于固定剧本） |
| wins | 胜利场次 | 无 |
| total_adj_goals | 调整后失球数 | 中 |
关键指标：面对射正数 + 期望失球数。
怎么用开源数据算出“谁更忙”？
假设你手头有 StatsBomb 的免费公开数据（英超、世界杯等），你可以写一段简单的 Python 代码来统计：
import pandas as pd
# 假设 df 是事件数据，包含 'type' 和 'shot' 列
# 筛选出门将面对的射门事件
shots_faced = df[(df['type'] == 'Shot') & (df['on_target'] == True)]
# 按球队分组，统计该队门将面对射门次数
busy_teams = shots_faced.groupby('team')['player'].count().sort_values(ascending=False)
# 更复杂的：计算期望失球数 (假设有 xG 数据)
# xG_against = shots_faced.groupby('team')['xG'].sum()
结论输出：
- 最忙的门将 = 面对射正次数最多的门将。
- 最轻松的豪门 = 面对射正次数最少，但扑救成功率必须高（不然就是漏勺）。
实战中的“反直觉”案例
- 例子A（弱队门将）：赛季扑救120次，失球60个，看起来扑救多，但球队处于保级区，对手射门太多。
- 例子B（强队门将）：赛季扑救50次，失球20个，看起来不忙，但对手的射门质量极高（比如单刀、近距离头球），这50次扑救几乎是神级发挥。
评价“更忙”要看“拦截威胁”的次数，而非绝对扑救数。 如果强队门将面对的都是“必进球”，他能扑出来，那才叫真正的“忙”且“有价值”。
如果想找现成的“答案”
如果你指的是某个具体的开源项目（FC Python 或 kuuschen 的教程），通常它们的结论是：
“数据无法定义一个门将是否‘忙’，只能定义他的‘工作负荷’（Workload），真正忙的是那些身处‘后防线失误频出’且‘对手打门员多’的球队门将——他们不仅扑救多，还需要反复从球门里捡球。”
建议
如果你能提供你具体看到的开源项目名称或代码链接，我可以帮你精确分析它的统计逻辑，但基于通用规则，请不要用“扑救次数”来判定“忙碌”，必须结合“xG（期望失球）”和“射正次数”来看。
