python案例怎么看两队边路突破能力对比？

wen python案例 2026-09-10 3

Python实战解析：如何用数据可视化对比两支球队的边路突破能力？

目录导读

为什么要用Python分析边路突破？——从战术到数据
数据从哪来？常见足球数据字段与含义
核心指标拆解：不是只有“过人次数”那么简单
Python实战案例：两支球队边路突破对比全流程
- 1 数据清洗与筛选（左/右边路事件提取）
- 2 计算核心指标（成功率、推进距离、传中威胁）
- 3 可视化对比：雷达图 + 热区图 + 时序流
常见问题QA（问答环节）
数据告诉你的，和教练看到的一样吗？

为什么要用Python分析边路突破？——从战术到数据

现代足球早已进入“数据决策”时代，当教练说“我们要加强边路进攻”时，翻译成数据语言就是：我们需要在对手的30米区两侧创造更多有效触球、成功过人和高质量传中。

光看赛后统计里的“过人次数”是远远不够的，A队左边锋10次尝试过人成功7次，B队右边锋8次尝试成功6次——单纯看成功率B队更高，但A队每次过人都发生在本方半场，对球门威胁不大，这就暴露了传统统计的局限。

Python的厉害之处在于：你可以把比赛事件流（event stream）数据导入DataFrame，通过自定义公式筛选出“发生在进攻三区、且方向朝向对方球门”的带球推进，再结合速度、方向角度、后续传中或射门结果，得出一个“真实威胁指数”。

数据从哪来？常见足球数据字段与含义

想要做边路对比分析,通常需要两类数据：

事件数据（Event Data）：包含每个动作的类型（传球、带球、抢断）、坐标（x,y）、球员ID、时间戳，比如StatsBomb或Wyscout都提供公开样例数据。
跟踪数据（Tracking Data）：每秒25帧记录所有球员位置，但通常付费且处理复杂，初学者建议先用事件数据。

核心字段举例：

event_type：Dribble（带球）、Pass（传球）、Cross（传中）
position：坐标点，通常0~1归一化，例如x=0.8,y=0.1代表靠近右侧底线。
outcome：complete（成功）、incomplete（失败）
side：left/right/center（用于区分左右路）

核心指标拆解：不是只有“过人次数”那么简单

要公平对比两支队伍的边路突破能力,至少需要以下五个维度：

指标	含义	为什么重要
深度推进次数	带球或传球使球从对方半场推进到进攻三区（x>0.75）的次数	突破的核心价值在于“把战线压上去”
过人成功率（限制在对方半场）	过滤掉后场无意义花活	避免“无效盘带”
传中威胁值	传中找到禁区内队友的成功次数 + 导致射门的传中	光能突破但不形成射门等于零
突破速度	单位时间内的带球距离移动（米/秒）	速度决定防守是否重组
失误率（丢失球权）	被断球或传球失误	高失误突破是双刃剑

用Python你可以轻松写一个函数,把原始事件转换成上述指标，下面看实际案例。

Python实战案例：两支球队边路突破对比全流程

1 数据清洗与筛选（左/右边路事件提取）

假设我们有两支球队 Team_A 和 Team_B 的比赛事件数据，存储在Pandas DataFrame df_all里，先筛选左右边路事件：

import pandas as pd
# 假设事件坐标0~1，球场从左向右进攻，x表示纵向推进，y表示横向（0=左边线，1=右边线）
def classify_side(row):
    if row['y'] < 0.3:
        return 'left'
    elif row['y'] > 0.7:
        return 'right'
    else:
        return 'center'
df_all['side'] = df_all.apply(classify_side, axis=1)
# 只看进攻三区事件（对方半场纵坐标>0.6，假设球队从x=0向左进攻，则进攻方向为x增大）
# 注意：真实数据中需要根据上下半场调换方向，此处简化
df_attack = df_all[(df_all['x'] > 0.6) & (df_all['side'].isin(['left','right']))]

2 计算核心指标

接着计算每队的左侧、右侧突破关键指标：

result = []
for team in ['Team_A', 'Team_B']:
    for side in ['left', 'right']:
        subset = df_attack[(df_attack['team'] == team) & (df_attack['side'] == side)]
        # 带球尝试次数
        dribbles = subset[subset['event_type'] == 'dribble']
        complete_dribbles = dribbles[dribbles['outcome'] == 'complete']
        # 传中威胁：传中成功且落点在小禁区（假设有target_x>0.85且target_y在禁区范围）
        crosses = subset[subset['event_type'] == 'cross']
        dangerous_crosses = crosses[crosses['target_x'] > 0.85]
        # 深度推进：任何导致x坐标净增加>0.15的事件
        deep_prog = subset[subset.apply(lambda r: r.get('end_x', r['x']) - r['x'] > 0.15, axis=1)]
        result.append({
            'team': team,
            'side': side,
            'dribble_success_rate': len(complete_dribbles) / max(len(dribbles), 1),
            'deep_progressions': len(deep_prog),
            'dangerous_crosses': len(dangerous_crosses)
        })
df_summary = pd.DataFrame(result)
print(df_summary)

假设输出结果：

     team    side  dribble_success_rate  deep_progressions  dangerous_crosses
0  Team_A    left                 0.68                  12                 4
1  Team_A   right                 0.55                   8                 2
2  Team_B    left                 0.71                   9                 5
3  Team_B   right                 0.42                   6                 1

3 可视化对比：雷达图 + 热区图 + 时序流

（1）雷达图——多维度对比

我们定义四个评分维度：推进效率（deep_prog/全场进攻次数）、传中威胁、右路活跃度、左路活跃度。

import matplotlib.pyplot as plt
import numpy as np
from math import pi
# 构造评分数组（0~1归一化）
labels = ['Deep Prog', 'Cross Threat', 'Right Act.', 'Left Act.']
# Team_A 示例分数
A_scores = [0.8, 0.6, 0.7, 0.9]  
# Team_B 示例分数
B_scores = [0.65, 0.75, 0.5, 0.85]
angles = np.linspace(0, 2 * np.pi, len(labels), endpoint=False).tolist()
A_scores += A_scores[:1]
B_scores += B_scores[:1]
angles += angles[:1]
fig, ax = plt.subplots(figsize=(6,6), subplot_kw=dict(polar=True))
ax.plot(angles, A_scores, 'o-', label='Team_A', color='#d62728')
ax.fill(angles, A_scores, alpha=0.25, color='#d62728')
ax.plot(angles, B_scores, 'o-', label='Team_B', color='#1f77b4')
ax.fill(angles, B_scores, alpha=0.25, color='#1f77b4')
ax.set_xticks(angles[:-1]); ax.set_xticklabels(labels)
ax.legend(loc='upper right'); plt.show()

雷达图清晰显示：A队左路推进更强，但传中威胁不如B队；B队右路相对薄弱，左路全面占优。

（2）热区图——看边路推进发生的准确位置

使用scatter或hexbin展示两队有效的带球推进起始坐标：

plt.figure(figsize=(10,5))
for idx, team in enumerate(['Team_A','Team_B']):
    plt.subplot(1,2,idx+1)
    team_events = df_attack[(df_attack['team']==team) & (df_attack['side']=='right')]
    plt.hexbin(team_events['x'], team_events['y'], gridsize=15, cmap='Blues')
    plt.title(f'{team} Right-side progression heatmap')
    plt.axis('off')
plt.tight_layout(); plt.show()

可以看到A队主要从深度区域（x=0.7~0.85）启动突破，而B队更多集中在边线贴身位置（y接近1）——说明B队依赖纯粹拉边的速度型边锋，A队更偏向肋部配合。

（3）时序流——看突破是否发生在关键比赛时段

按比赛分钟划分,统计每5分钟的边路过人尝试次数：

df_min = df_attack[df_attack['event_type']=='dribble'].copy()
df_min['minute_bin'] = (df_min['minute'] // 5) * 5
pivot = df_min.groupby(['team','minute_bin']).size().unstack(fill_value=0)
pivot.T.plot(kind='line', marker='o')
plt.xlabel('Match minute'); plt.ylabel('Dribble attempts (wide)')'Temporal Pattern of Wide Dribbles')
plt.show()

如果A队在75分钟后右路突破次数骤增,可能说明他们利用换人体能优势；如果B队下半场初段突然加强左路，可能是中场战术调整。

常见问题QA（问答环节）

Q1：只有公开的免费数据源，能完成这种分析吗？ 答：完全可以，推荐 StatsBomb 的免费公开数据集（包含美洲杯、世界杯部分比赛），只需在GitHub上搜索 statsbomb open data 就有JSON格式事件文件，用Pandas的 json_normalize 可以导入，虽然字段不如商业数据丰富，但包含坐标和事件类型，足够做上述基础对比。

Q2：如果数据没有传中目标点的坐标怎么办？ 答：退而求其次，你可以用“传中后的射门”作为代理指标，只要在传中事件的 5 秒内，同队有一次射门事件，就判定为有威胁传中，需要时间戳对齐，设定一个时间窗口（same_possession 字段），代码逻辑类似：

# 假设有 possession_id 字段
df_shot = df_all[df_all['event_type']=='shot']
threat_crosses = crosses.merge(df_shot[['possession_id']], on='possession_id', how='inner')

Q3：怎么避免“方向误导”？比如左边锋踢到右边路？ 答：这是真实数据处理的坑，建议使用 player_position 或者更精确的 position 事件中的角色ID（例如21=左边锋，25=右边锋），但现代的战术体系允许左右互换，严谨做法是计算带球方向向量——从起点坐标指向终点坐标，当绝对值纵向分量（dx）> 0.1时，看dy是正（向右路）还是负（向左路），最终边路归属应以事件发生区域的横向坐标为主，球员固定位置为辅。