本文目录导读：
针对开源项目中“长短传比例”的统计，这个问题其实横跨了足球技战术分析和软件开发数据两个截然不同的领域。绝大多数情况下，提问者是在问足球数据分析（如StatsBomb、Wyscout等开源数据集），但也可能是在问代码仓库（如Git提交）的数据结构。
由于你使用了“长短传”这一足球术语，我主要基于足球赛事开源数据（如StatsBomb公开数据集）进行解答,并在最后附上对代码仓库情况的简要说明。
核心结论：呈典型的“倒金字塔”或“L型”分布
在开源足球数据集（如StatsBomb）中，如果统计所有球队、所有场次、所有球员的传球距离与比例，短传（0-10米）占绝对主导（通常占60%-70%），中短传（10-20米）占20%左右，而长传（30米以上）通常不足10%。
具体分布比例大致如下：
| 传球类别 | 距离区间（米） | 在开源数据集中的占比（约） | 战术意图 |
|---|---|---|---|
| 极短传 | 0 - 10 | 55% - 65% | 控制节奏、后场出球、短传渗透 |
| 中短传 | 10 - 20 | 20% - 25% | 中场衔接、转移分队 |
| 长传 | 20 - 30 | 5% - 8% | 边路起球、直塞身后 |
| 超长传 | > 30 | 2% - 5% | 快速反击、门将大脚、对角线转移 |
这种分布的开源特性与共性差异
在公开的数据集（如 StatsBomb 公开数据、Wyscout 公开数据）中，你可以直接跑代码验证这个比例，统计结果会受以下因素影响,但整体L型不变：
- 球队风格差异（方差主要来源）：
- 曼城/巴萨式控球风格：短传比例可能高达80%，长传低于5%。
- 英超中下游或长传冲吊球队（如老式伯恩利）：长传比例可能上升至12%-15%。
- 位置决定论：
- 门将（GK）：长传比例是所有位置中最高的（通常占其总传球次数的40%-60%）,因为要开大脚。
- 中后卫（CB）：为了安全，短传和斜向长传并存，长传比例约10%-15%。
- 中场（MF）：几乎所有传球都是短传或横传，长传比例最低（<5%）。
- 数据源定义差异：如果你用的是 Wyscout（免费版），它的“短传”判定阈值（如5米以下）与 StatsBomb（可能按5码）不同，会导致比例略有差异，但长传尾部的“长尾”曲线不会改变。
如何在开源项目中复现这个统计？
如果你是想在 GitHub 上找到某个开源项目进行分析,通常流程如下：
- 数据获取：下载 StatsBomb 开源数据集 或 [FIFA 公开事件数据]。
- 特征提取：事件数据中自带
pass.end_location（传球终点）与location（起点）,计算欧几里得距离即可。 - 阈值划分（伪代码）：
distance = sqrt((x2-x1)^2 + (y2-y1)^2) # 注意：StatsBomb的x轴为0-120码 if distance < 15（码）: # 约13.7米 type = '短传' elif distance < 35（码）: type = '中传' else: type = '长传'
统计结果可视化：如果你用 Python 画直方图，会看到图形在0-10米处达到顶峰，然后像瀑布一样急剧下降，在30米处趋近于0——这是足球传球的基本物理规律（长传成功率低，所以球队尽量不用）。
补充：如果你问的是“代码仓库的提交长短”
在软件开发的开源项目中，git commit 没有“长传”和“短传”之分，但如果你指的是提交信息（Commit Message）的长度分布或PR（Pull Request）代码变更量的大小：
- 大多数提交是“短传”（即修复Bug、小改动，变更量在几十行以内），占比约80%。
- 少数是“长传”（即大型新功能合并，变更1000行以上），占比不到5%。
- 分布同样呈现“长尾效应”——大多数是小提交，但极少数巨型合并请求（Merge Request）占据了代码库历史的大部分新增行数。
如果你想用数据说话，在开源足球数据中，短传与长传的比例大约是 7：1 甚至 8：1，如果你想看具体数字，可以拉取 StatsBomb 的英超数据，打印传球距离的 describe() 函数，你会发现中位数传球距离通常在 12-15米之间，而平均数被少数长传拉高至 18米左右，这清晰地表明：足球的本质是一项由无数小短传连接的运动。
