python案例统计直塞球成功率是多少？

wen python案例 2026-09-10 3

本文目录导读：

直塞球成功率为什么值得用Python统计？
核心概念：什么才算一次“成功直塞”？
数据从哪里来？公开数据源与采集思路
Python实战案例：统计直塞球成功率的完整流程
可视化：让成功率一目了然
常见问题问答（FAQ）
进阶优化：让统计更接近真实比赛
总结与实战建议

Python案例统计直塞球成功率是多少？从数据采集到可视化完整实战**

目录导读

直塞球成功率为什么值得用Python统计？
核心概念：什么才算一次“成功直塞”？
数据从哪里来？公开数据源与采集思路
Python实战案例：统计直塞球成功率的完整流程
- 1 数据读取与清洗
- 2 识别直塞球事件
- 3 判定成功与失败
- 4 计算成功率
可视化：让成功率一目了然
常见问题问答（FAQ）
进阶优化：让统计更接近真实比赛
总结与实战建议

直塞球成功率为什么值得用Python统计？

在现代足球数据分析中,“直塞球”是衡量进攻创造力的重要指标之一，它通常指球员在中前场送出的、穿透对方防线的纵向传球，目的是让队友在有利位置接球并形成射门或推进机会，很多球迷和教练都会问：直塞球成功率是多少？ 这个问题看似简单，实际上涉及事件定义、数据来源、成功判定标准等多个层面。

如果用人工统计,不仅耗时，而且容易受主观判断影响，Python的优势在于：可以批量处理比赛事件数据，按照统一规则自动识别直塞球，并计算成功率，对于做足球数据分析、体育媒体内容、甚至Fantasy Football策略的人来说，掌握这套方法非常实用。

搜索引擎上关于“直塞球成功率”的文章，大多只给出一个笼统的百分比，顶级联赛直塞成功率约30%到45%”，但没有说明统计口径，本文会综合现有资料，用Python案例的方式，带你从零完成一次可复现的统计。

核心概念：什么才算一次“成功直塞”？

在开始写代码之前,必须先定义清楚统计口径，不同数据平台对“直塞球”的定义并不完全一致，通常可以参考以下标准：

传球方向：向前推进，且目标区域在对方防线身后或防线之间。
传球距离：中长距离为主，一般超过15米。
穿透性：传球穿过至少一名对方防守球员的防线。
接球结果：队友成功接到球并控制住，视为成功；被拦截、出界、队友未接到，视为失败。

成功直塞的判定可以简化为：

直塞球事件中,接球方成功控制球权 → 成功
否则 → 失败

成功率公式：

直塞球成功率 = 成功直塞次数 ÷ 直塞球总次数 × 100%

这个口径下,统计结果才有意义，接下来我们用Python实现。

数据从哪里来？公开数据源与采集思路

做Python统计,数据是基础，常见来源包括：

StatsBomb Open Data：免费开放部分比赛事件数据，包含传球、坐标、球员信息，非常适合做直塞球分析。
FBref：提供联赛和球队层面的传球数据，但事件级别不够细。
Understat：偏重射门和预期进球，直塞球信息有限。
Wyscout：专业数据，通常需要付费。
自建采集：通过公开比赛报告或API获取事件流。

对于本文案例,我们采用类StatsBomb事件数据结构，字段包括：比赛ID、球员、传球起点坐标、终点坐标、传球类型、是否被拦截、接球球员、是否成功控制，这样既能贴近真实，又方便读者理解。

Python实战案例：统计直塞球成功率的完整流程

1 数据读取与清洗

假设我们有一个CSV文件 passes.csv，字段如下：

match_id
player
pass_type
start_x, start_y
end_x, end_y
intercepted
receiver_controlled

先读取并查看数据：

import pandas as pd
df = pd.read_csv('passes.csv')
print(df.head())
print(df.shape)

清洗步骤：

删除缺失关键字段的行；
统一传球类型命名,through_ball”“直塞”“直传球”统一为through_ball；
过滤掉明显不是直塞的传球。

df = df.dropna(subset=['pass_type', 'start_x', 'end_x', 'intercepted'])
df['pass_type'] = df['pass_type'].str.lower().str.strip()
df['pass_type'] = df['pass_type'].replace({
    '直塞': 'through_ball',
    '直传球': 'through_ball',
    'through ball': 'through_ball'
})

2 识别直塞球事件

除了依靠pass_type，还可以结合几何规则辅助识别：传球向前推进明显，且终点在对方半场或禁区前沿。

# 假设x轴为进攻方向，x越大越靠近对方球门
df['forward_distance'] = df['end_x'] - df['start_x']
through_mask = (
    (df['pass_type'] == 'through_ball') &
    (df['forward_distance'] > 10)
)
through_df = df[through_mask].copy()
print(f"识别出的直塞球次数：{len(through_df)}")

3 判定成功与失败

成功条件可以设为：未被拦截，且接球球员成功控制。

through_df['success'] = (
    (through_df['intercepted'] == 0) &
    (through_df['receiver_controlled'] == 1)
)

如果数据中没有receiver_controlled，可以用“接球后是否形成射门或继续推进”作为替代条件。

4 计算成功率

total_through = len(through_df)
success_through = through_df['success'].sum()
success_rate = success_through / total_through * 100 if total_through > 0 else 0
print(f"直塞球总次数：{total_through}")
print(f"成功直塞次数：{success_through}")
print(f"直塞球成功率：{success_rate:.2f}%")

运行结果可能类似：

直塞球总次数：128
成功直塞次数：47
直塞球成功率：36.72%

这个数字和很多公开分析中“顶级联赛直塞成功率约三成到四成”是吻合的，具体数值会因联赛、球队、统计口径不同而变化。

可视化：让成功率一目了然

光有数字不够直观,可以用Matplotlib画图：

import matplotlib.pyplot as plt
labels = ['成功直塞', '失败直塞']
sizes = [success_through, total_through - success_through]
colors = ['#2ecc71', '#e74c3c']
plt.figure(figsize=(6,6))
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)'直塞球成功率分布')
plt.show()

如果想按球员统计,可以分组计算：

player_stats = through_df.groupby('player').agg(
    直塞次数=('success', 'count'),
    成功次数=('success', 'sum')
)
player_stats['成功率'] = player_stats['成功次数'] / player_stats['直塞次数'] * 100
player_stats = player_stats.sort_values('成功率', ascending=False)
print(player_stats.head(10))

这样就能看出哪位球员的直塞成功率最高,非常适合做内容输出或战术分析。