这个python案例显示横传转移球次数？

wen python案例 2026-08-27 2

Python足球数据分析实战：如何精准统计横传转移球次数？

目录导读

引言：为什么横传转移球是战术分析的关键？
数据准备：从哪获取比赛事件数据？
核心逻辑：Python中定义“横传转移球”的规则
代码实现：分步拆解统计脚本（附完整案例）
结果可视化：用图表揭示球队转移球倾向
常见陷阱与优化建议（问答环节）
延伸思考：该指标如何与射门威胁模型结合？

引言：为什么横传转移球是战术分析的关键？

在现代足球分析中,横传转移球（Switch of Play） 被视为破解密集防守、调动对手防线的核心武器，曼城、阿森纳等传控球队，场均转移球次数远超联赛平均值，传统上，分析师通过录像人工计数，耗时且易错，而Python通过解析事件流数据（如StatsBomb、Wyscout），能在几秒内完成全赛季统计。这个python案例显示横传转移球次数，不仅量化了球队战术，还能揭示对手弱点区域。

这个python案例显示横传转移球次数？

数据准备：从哪获取比赛事件数据？

本案例使用公开的StatsBomb免费数据集（包含2020欧洲杯全部比赛），数据格式为JSON，每条事件包含：

location: [x, y] 球场上坐标（0-120，0-80）
pass.end_location: 传球终点坐标
pass.angle: 传球角度（弧度）
timestamp: 精确到毫秒

你的分析前提：已安装pandas、json、matplotlib库。

核心逻辑：Python中定义“横传转移球”的规则

横向转移球并非所有横传球,需满足三个条件（基于足球战术共识）：

跨度大：传球起点与终点的X轴距离 > 25米（约30码）
方向偏横：传球角度与水平线的夹角小于20度（即abs(sin(angle)) < 0.35）
不向前：终点X坐标 ≤ 起点X坐标 + 5米（避免长传身后球）

关键点：若传球跨越了球场中线（起点X < 60，终点X > 60），则归类为“换边转移”，否则为“同侧拉扯”。

代码实现：分步拆解统计脚本（附完整案例）

import json
import pandas as pd
import numpy as np
def load_events(match_id):
    with open(f'events_{match_id}.json', 'r', encoding='utf-8') as f:
        return json.load(f)
def is_switch(row):
    x_start, y_start = row['location']
    x_end, y_end = row['pass.end_location']
    distance = np.sqrt((x_end-x_start)**2 + (y_end-y_start)**2)
    # 条件1：横移跨度 > 25 米
    if abs(x_end - x_start) < 25:
        return False
    # 条件2：角度水平偏差小于20度
    angle = row['pass.angle']
    if abs(np.sin(angle)) > 0.35:
        return False
    # 条件3：非直塞（终点不超前于起点5米）
    if x_end > x_start + 5:
        return False
    return True
# 示例：分析某场比赛
events = load_events(3788741)  # 欧洲杯决赛
df = pd.DataFrame(events)
passes = df[df['type.name'] == 'Pass'].copy()
passes['is_switch'] = passes.apply(is_switch, axis=1)
# 统计每队转移球次数
result = passes.groupby('possession_team.name')['is_switch'].sum()
print("横传转移球次数统计：")
print(result)

输出示例：

Italy      31
England    18

结果可视化：用图表揭示球队转移球倾向

import matplotlib.pyplot as plt
# 绘制传球线路图（仅显示转移球）
fig, ax = plt.subplots(figsize=(10, 7))
for _, row in passes[passes['is_switch']].iterrows():
    ax.plot([row['location'][0], row['pass.end_location'][0]],
            [row['location'][1], row['pass.end_location'][1]],
            alpha=0.5, linewidth=1, color='red')
ax.set_xlim(0, 120); ax.set_ylim(0, 80)'横传转移球可视化 - 意大利 vs 英格兰')
plt.show()

常见陷阱与优化建议（问答环节）

Q1：为什么我的“横传”包含回传门将的长传？

解决方案：增加pass.recipient.name不等于goalkeeper的条件，并对起点坐标（location[0] < 30）进行排除。

Q2：StatsBomb坐标与FIFA标准不同？

官方坐标为120x80,但实际足球场是105x68。注意：只要单位一致即可，你的阈值25米也是相对值，可调整为30单位。

Q3：如何在多场比赛聚合？

使用pd.concat合并所有比赛DataFrame，然后按match_id分组，同时添加period列（上半场/下半场）分析战术调整。

Q4：这个python案例显示横传转移球次数为何与战术报告不一致？

因为“转移球”可能有不同定义，我们的规则偏向“短中距离横向调度”，若需与Opta对比，可调整距离阈值为20米，且角度偏差<15度。

延伸思考：该指标如何与射门威胁模型结合？

横传转移球的最终价值在于创造弱侧空间,下一步可计算：

转移球后5次传球内的射门转化率
发生转移球区域的密度热力图（判断是否集中在边路）

通过将is_switch标记与射门事件时间戳关联（timestamp差<10秒），可构建“机会创造指数”。

用Python统计横传转移球次数,是足球数据分析入门的理想实战项目，它融合了切片逻辑、坐标几何和战术理解，掌握此方法后，你还能轻松扩展至“直塞威胁传球”或“高位压迫后反击”等更复杂场景。这个python案例显示横传转移球次数，是量化球队左右调度能力的第一步。 现在就去尝试用你的本地数据跑一遍吧！