这个python案例显示横传转移球次数？

wen python案例 2026-09-03 161

本文目录导读：

基础案例：统计横传转移球次数
更高级的项目案例
关键概念说明

我来帮你分析Python中显示横传转移球次数的案例,这通常用于足球数据分析。

基础案例：统计横传转移球次数

import pandas as pd
import numpy as np
# 创建模拟传球数据
def create_pass_data():
    data = {
        'pass_id': range(1, 11),
        'x_start': [20, 25, 30, 35, 40, 45, 50, 55, 60, 65],
        'y_start': [30, 35, 42, 48, 45, 38, 35, 40, 45, 42],
        'x_end': [25, 30, 35, 40, 45, 50, 55, 60, 65, 70],
        'y_end': [28, 32, 38, 45, 42, 35, 32, 37, 42, 40],
        'team': ['TeamA'] * 5 + ['TeamB'] * 5
    }
    return pd.DataFrame(data)
def analyze_sideways_passes(df, y_threshold=15):
    """
    统计横传转移球（横向传球）
    参数:
    df: 传球数据
    y_threshold: 横向转移的阈值（米），超过此值认为是横传转移
    返回:
    横传转移球次数及详细信息
    """
    # 计算传球的横向距离（y坐标变化）
    df['y_distance'] = abs(df['y_end'] - df['y_start'])
    # 判断是否为横传转移（横向移动大，纵向移动小）
    df['x_distance'] = abs(df['x_end'] - df['x_start'])
    df['is_sideways_pass'] = (df['y_distance'] > y_threshold) & (df['x_distance'] > 5)
    # 统计次数
    total_sideways = df['is_sideways_pass'].sum()
    # 按球队分组统计
    team_stats = df.groupby('team').agg(
        total_passes=('pass_id', 'count'),
        sideways_passes=('is_sideways_pass', 'sum'),
        sideways_percentage=('is_sideways_pass', 'mean')
    ).reset_index()
    return total_sideways, team_stats
# 执行分析
pass_data = create_pass_data()
total_sideways, team_stats = analyze_sideways_passes(pass_data)
print(f"横传转移球总次数: {total_sideways}")
print("\n按球队统计:")
print(team_stats)
print("\n详细信息:")
print(pass_data[['pass_id', 'team', 'y_distance', 'is_sideways_pass']])

更高级的项目案例

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
class PassAnalyzer:
    def __init__(self, data_file=None):
        self.data = None
        self.sideways_passes = None
    def load_data(self, file_path):
        """加载传球数据"""
        # 假设数据包含: pass_id, x_start, y_start, x_end, y_end, team, player
        self.data = pd.read_csv(file_path)
        self.data['y_distance'] = abs(self.data['y_end'] - self.data['y_start'])
        self.data['x_distance'] = abs(self.data['x_end'] - self.data['x_start'])
    def identify_sideways_passes(self, threshold=15):
        """识别横传转移球"""
        # 定义横传特征：横向移动大于阈值且非角球/边线球
        self.data['pass_angle'] = np.arctan2(
            self.data['y_distance'], 
            self.data['x_distance'] + 1e-6
        ) * 180 / np.pi
        self.data['is_sideways'] = (
            (self.data['pass_angle'] > 60) & 
            (self.data['pass_angle'] < 120) &
            (self.data['x_distance'] < 40)  # 排除长传
        )
        self.sideways_passes = self.data[self.data['is_sideways']]
        return len(self.sideways_passes)
    def analyze_by_zone(self):
        """按球场区域分析"""
        # 划分区域（左路、中路、右路）
        self.data['zone'] = pd.cut(
            self.data['y_start'], 
            bins=[0, 25, 50, 75, 100], 
            labels=['Left', 'Center-Left', 'Center-Right', 'Right']
        )
        zone_analysis = pd.DataFrame()
        for zone in ['Left', 'Center-Left', 'Center-Right', 'Right']:
            zone_data = self.data[self.data['zone'] == zone]
            if len(zone_data) > 0:
                sideways_count = zone_data['is_sideways'].sum()
                total_count = len(zone_data)
                zone_analysis[zone] = {
                    'total_passes': total_count,
                    'sideways_passes': sideways_count,
                    'percentage': (sideways_count / total_count) * 100
                }
        return zone_analysis
    def visualize_distribution(self):
        """可视化传球分布"""
        if self.sideways_passes is None:
            return self.identify_sideways_passes()
        fig, axs = plt.subplots(1, 2, figsize=(15, 5))
        # 时间分布
        if 'minute' in self.data.columns:
            time_data = self.sideways_passes.groupby('minute').size()
            axs[0].plot(time_data.index, time_data.values, 'o-')
            axs[0].set_title('Sideways Passes by Minute')
            axs[0].set_xlabel('Minute')
            axs[0].set_ylabel('Count')
        # 位置分布热力图
        heatmap_data = self.data[self.data['is_sideways']]
        if len(heatmap_data) > 0:
            x = heatmap_data['x_end'].values
            y = heatmap_data['y_end'].values
            # 创建热力图
            hist, xedges, yedges = np.histogram2d(y, x, bins=(10, 10))
            axs[1].imshow(hist.T, origin='lower', cmap='hot')
            axs[1].set_title('Sideways Passes Heatmap')
            axs[1].set_xlabel('X position')
            axs[1].set_ylabel('Y position')
        plt.tight_layout()
        plt.show()
# 使用示例
analyzer = PassAnalyzer()
analyzer.data = create_pass_data()  # 使用之前的数据
# 识别横传转移球
sideways_count = analyzer.identify_sideways_passes()
print(f"横传转移球次数: {sideways_count}")
# 按区域分析
zone_analysis = analyzer.analyze_by_zone()
print("\n区域分析结果：")
for zone, stats in zone_analysis.items():
    print(f"{zone}: 传球{stats['total_passes']}次, 横传{stats['sideways_passes']}次, 占比{stats['percentage']:.2f}%")
# 可视化（可选）
# analyzer.visualize_distribution()

关键概念说明

横传转移球特征：
- 横向传球距离大（Y轴变化）
- 纵向传球距离相对较小
- 用于改变进攻方向

判断逻辑：

is_sideways = (y_distance > threshold) & (x_distance < max_x)

适用场景：
- 足球比赛分析
- 球队战术研究
- 球员决策模式分析

如果需要处理真实比赛数据,通常需要：

轨迹坐标数据
事件时间戳
球员和球队标识

需要我详细解释某个部分或提供特定数据格式的处理方法吗？

本文地址： https://www.bmjup.com/post/55096.html