本文目录导读：
我来为您设计一个统计弧线球传中精准度的Python案例，这个案例将模拟足球比赛中的弧线球传中数据,并进行分析统计。
完整案例代码
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime
import random
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
class CrossPassAnalyzer:
"""弧线球传中分析器"""
def __init__(self):
self.data = None
self.player_stats = None
self.team_stats = None
def generate_match_data(self, num_matches=10, players_per_team=11):
"""生成模拟比赛数据"""
# 定义球员和队伍
teams = ['皇马', '巴萨', '曼城', '利物浦', '拜仁', '巴黎']
all_data = []
match_id = 0
positions = ['左边锋', '右边锋', '中场', '后卫']
for match in range(num_matches):
match_id += 1
home_team = random.choice(teams)
away_team = random.choice([t for t in teams if t != home_team])
# 为每支队伍生成球员
for team in [home_team, away_team]:
for player_num in range(1, players_per_team + 1):
# 每场比赛每个球员产生10-30次传中
num_crosses = random.randint(10, 30)
for cross_num in range(num_crosses):
# 生成传中数据
cross_type = random.choice(['高弧线', '低平弧线', '内旋弧线', '外旋弧线'])
# 计算精准度（基于球员能力和随机因素）
player_skill = random.uniform(0.5, 0.95)
random_factor = random.uniform(-0.1, 0.1)
success_probability = max(0, min(1, player_skill + random_factor))
data = {
'match_id': match_id,
'team': team,
'opponent': home_team if team == away_team else away_team,
'player_number': player_num,
'player_position': random.choice(positions),
'cross_type': cross_type,
'swing_angle': random.randint(30, 75), # 弧线角度
'cross_distance': random.randint(15, 40), # 传中距离(米)
'chip_height': random.randint(10, 30), # 弧线高度(米)
'success': 1 if random.random() < success_probability else 0,
'assist': 1 if random.random() < 0.15 and success_probability > 0.7 else 0,
'defense_pressure': random.choice(['紧逼', '一般', '自由']),
'match_minute': random.randint(1, 95)
}
all_data.append(data)
# 转换为DataFrame
self.data = pd.DataFrame(all_data)
# 添加更多派生的特征
self.data['success_rate'] = self.data['success'].mean()
self.data['distance_bin'] = pd.cut(self.data['cross_distance'],
bins=[0, 20, 30, 45],
labels=['短距离', '中距离', '长距离'])
self.data['angle_bin'] = pd.cut(self.data['swing_angle'],
bins=[0, 45, 60, 76],
labels=['小弧线', '中弧线', '大弧线'])
return self.data
def calculate_player_stats(self):
"""计算球员统计数据"""
if self.data is None:
raise ValueError("请先生成数据")
stats = self.data.groupby(['team', 'player_number', 'player_position']).agg({
'success': ['count', 'sum', 'mean'],
'assist': 'sum',
'cross_distance': 'mean',
'swing_angle': 'mean',
'chip_height': 'mean'
}).round(3)
# 重命名列
stats.columns = ['总传中', '成功传中', '精准率', '助攻',
'平均距离', '平均弧线角度', '平均弧线高度']
stats = stats.reset_index()
# 排序按精准率
stats = stats.sort_values('精准率', ascending=False)
self.player_stats = stats
return stats
def calculate_position_stats(self):
"""计算位置统计"""
if self.data is None:
raise ValueError("请先生成数据")
position_stats = self.data.groupby(['player_position', 'cross_type']).agg({
'success': ['count', 'sum', 'mean'],
'team': 'first'
}).round(3)
position_stats.columns = ['传中次数', '成功次数', '精准率', '球队']
position_stats = position_stats.reset_index()
return position_stats
def analyze_angle_effect(self):
"""分析弧线角度对精准度的影响"""
if self.data is None:
raise ValueError("请先生成数据")
# 按弧线角度分箱统计
angle_stats = self.data.groupby(self.data['angle_bin']).agg({
'success': ['count', 'mean'],
'assist': 'sum'
}).round(3)
angle_stats.columns = ['样本数', '精准率', '助攻数']
angle_stats = angle_stats.reset_index()
return angle_stats
def visualize_results(self):
"""可视化分析结果"""
if self.player_stats is None:
self.calculate_player_stats()
# 创建图表
fig, axes = plt.subplots(2, 3, figsize=(18, 12))
# 1. 球员精准率分布
axes[0, 0].hist(self.player_stats['精准率'], bins=30, alpha=0.7)
axes[0, 0].set_title('球员传中精准率分布')
axes[0, 0].set_xlabel('精准率')
axes[0, 0].set_ylabel('球员数量')
axes[0, 0].axvline(self.player_stats['精准率'].mean(),
color='r', linestyle='--', label='平均精准率')
axes[0, 0].legend()
# 2. 不同位置的精准率比较
pos_stats = self.player_stats.groupby('player_position')['精准率'].mean()
axes[0, 1].bar(pos_stats.index, pos_stats.values)
axes[0, 1].set_title('不同位置的传中精准率')
axes[0, 1].set_xlabel('位置')
axes[0, 1].set_ylabel('平均精准率')
# 3. 弧线角度与精准率的关系
if hasattr(self, 'data'):
angle_analysis = self.analyze_angle_effect()
axes[0, 2].bar(angle_analysis['angle_bin'].astype(str),
angle_analysis['精准率'])
axes[0, 2].set_title('弧线角度对精准率的影响')
axes[0, 2].set_xlabel('弧线类型')
axes[0, 2].set_ylabel('平均精准率')
# 4. 传中距离对精准率的影响
distance_analysis = self.data.groupby('distance_bin')['success'].mean()
axes[1, 0].bar(range(len(distance_analysis)), distance_analysis.values)
axes[1, 0].set_xticks(range(len(distance_analysis)))
axes[1, 0].set_xticklabels(distance_analysis.index)
axes[1, 0].set_title('传中距离对精准率的影响')
axes[1, 0].set_xlabel('距离类型')
axes[1, 0].set_ylabel('平均精准率')
# 5. 各球员的助攻与精准率散点
axes[1, 1].scatter(self.player_stats['精准率'],
self.player_stats['助攻'],
alpha=0.6)
axes[1, 1].set_title('精准率与助攻关系')
axes[1, 1].set_xlabel('精准率')
axes[1, 1].set_ylabel('助攻数')
# 6. 传中最多的球员Top10
top_players = self.player_stats.nlargest(10, '总传中')
axes[1, 2].bar(top_players['player_number'].astype(str),
top_players['总传中'])
axes[1, 2].set_title('传中最多的球员Top10')
axes[1, 2].set_xlabel('球员号码')
axes[1, 2].set_ylabel('总传中次数')
plt.tight_layout()
plt.show()
def generate_report(self):
"""生成统计报告"""
report = f"""
========== 弧线球传中精准度分析报告 ==========
分析时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}
一、整体统计
---------------
总传中次数: {self.data['success'].count()}
成功传中: {self.data['success'].sum()}
整体精准率: {self.data['success'].mean():.3f}
总助攻数: {self.data['assist'].sum()}
二、按位置统计
---------------
"""
pos_stats = self.data.groupby(['player_position']).agg({
'success': ['count', 'mean', 'sum'],
'assist': 'sum'
}).round(3)
for position in pos_stats.index:
report += f"""\n位置: {position}
传中次数: {pos_stats.loc[position, ('success', 'count')]}
精准率: {pos_stats.loc[position, ('success', 'mean')]:.3f}
助攻数: {pos_stats.loc[position, ('assist', 'sum')]}
"""
# 添加最佳球员
best_player = self.player_stats.iloc[0]
report += f"""
三、最佳球员
---------------
最佳精准率的球员: 号码 #{best_player['player_number']} ({best_player['player_position']})
位置: {best_player['player_position']}
精准率: {best_player['精准率']:.3f}
"""
return report
# 使用示例
def main():
"""主函数"""
# 创建分析器
analyzer = CrossPassAnalyzer()
# 生成模拟数据
print("正在生成模拟比赛数据...")
data = analyzer.generate_match_data(num_matches=50)
print(f"数据生成完成！共 {len(data)} 次传中记录")
# 计算统计信息
print("\n正在计算统计信息...")
player_stats = analyzer.calculate_player_stats()
print("球员统计完成！")
# 输出部分统计
print("\n===== 球员精准率统计（前10名）=====")
print(player_stats[['team', 'player_number', 'player_position', '精准率', '助攻']].head(10))
# 位置统计
pos_stats = analyzer.calculate_position_stats()
print("\n===== 位置统计 =====")
print(pos_stats)
# 弧线角度分析
if hasattr(analyzer, 'data'):
angle_stats = analyzer.analyze_angle_effect()
print("\n===== 弧线角度影响分析 =====")
print(angle_stats)
# 生成报告
report = analyzer.generate_report()
print("\n\n", report)
# 可视化
analyzer.visualize_results()
# 提供一些专业建议
print("\n===== 改进建议 =====")
suggestions = analyzer.generate_suggestions() if hasattr(analyzer, 'generate_suggestions') else None
if suggestions:
print(suggestions)
else:
print("1. 从高精准率的球员中，可以重点培养特定位置的传中能力")
print("2. 分析不同弧线角度下的精准率，优化传球选择")
print("3. 注意防守压力对传中精准度的影响")
return analyzer
# 执行主函数
if __name__ == "__main__":
analyzer = main()
扩展功能
您还可以添加以下功能来增强分析：
def generate_suggestions(self):
"""生成改进建议"""
suggestions = []
# 分析最佳位置的传中类型
best_type = self.data[self.data['success']==1].groupby('cross_type').size().idxmax()
suggestions.append(f"最成功的传中类型: {best_type}")
# 分析防守压力影响
pressure_effect = self.data.groupby('defense_pressure')['success'].mean()
suggestions.append(f"自由状态下精准率: {pressure_effect['自由']:.3f}")
suggestions.append(f"紧逼状态下精准率: {pressure_effect['紧逼']:.3f}")
# 找到最佳传球距离
distance_effect = self.data.groupby('distance_bin')['success'].mean()
best_distance = distance_effect.idxmax() if hasattr(distance_effect, 'idxmax') else '中距离'
suggestions.append(f"最佳传中距离: {best_distance}")
return "\n".join(suggestions)
这个案例提供了完整的弧线球传中精准度统计分析功能，包括数据生成、统计分析和可视化,您可以根据实际需求调整参数和增加更多分析维度。
版权声明：NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
NBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
CBA直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
足球直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
英超直播
