根据python案例，关键传球哪队更多？

wen python案例 2026-09-26 2

本文目录导读：

引言：从一场比赛说起——关键传球为何重要？
数据准备：用Python获取比赛传球数据
核心案例：统计两队关键传球次数
可视化对比：一眼看出哪队关键传球更多
常见问答（FAQ）
进阶技巧：如何让分析更精准？
总结与SEO优化建议

Python实战案例解析：关键传球哪队更多？数据抓取与可视化全攻略**

目录导读

引言：从一场比赛说起——关键传球为何重要？
数据准备：用Python获取比赛传球数据
核心案例：统计两队关键传球次数
可视化对比：一眼看出哪队关键传球更多
常见问答（FAQ）
进阶技巧：如何让分析更精准？
总结与SEO优化建议

引言：从一场比赛说起——关键传球为何重要？

在足球数据分析中，“关键传球”通常指直接导致射门的传球，它比普通传球更能反映一支球队的进攻创造力，很多球迷在赛后讨论：“到底哪队的关键传球更多？”如果只靠肉眼观察，容易遗漏细节，而借助Python，我们可以从公开数据源（如StatsBomb、FBref等）抓取事件数据,自动统计并对比两队的关键传球次数。

本文将通过一个完整的Python案例，带你从零实现“关键传球哪队更多”的分析，文章内容综合了搜索引擎已有技术博客、官方文档和实战经验，去伪存真，力求精炼且可落地，无论你是数据分析初学者还是足球爱好者,都能直接运行代码并得出自己的结论。

数据准备：用Python获取比赛传球数据

1 选择数据源

常见免费足球事件数据源包括：

StatsBomb Open Data：提供JSON格式的详细事件数据，包含传球、射门等。
FBref：可通过pandas.read_html抓取汇总统计,但缺少逐次传球细节。
Understat：主要提供射门数据,关键传球需间接推导。

为了精确统计“关键传球”，我们采用StatsBomb Open Data，它的事件类型中，pass事件有一个pass.key_pass布尔字段（部分版本为shot_assist）,直接标记该传球是否形成射门。

2 安装依赖库

pip install statsbombpy pandas matplotlib

3 加载一场比赛数据

以2022年世界杯决赛为例（阿根廷 vs 法国）：

from statsbombpy import sb
# 获取比赛ID（需先知道competition和season）
matches = sb.matches(competition_id=43, season_id=106)  # 43=世界杯，106=2022
match_id = matches[matches['home_team'] == 'Argentina']['match_id'].values[0]
# 加载事件数据
events = sb.events(match_id=match_id)
print(events.columns)

输出中应包含type、team、pass等列,接着筛选传球事件：

passes = events[events['type'] == 'Pass'].copy()

核心案例：统计两队关键传球次数

1 提取关键传球标识

StatsBomb的pass列是一个字典,需展开：

import pandas as pd
# 将pass字典展开为列
pass_details = pd.json_normalize(passes['pass'])
passes = pd.concat([passes.drop('pass', axis=1), pass_details], axis=1)
# 查看关键传球相关列名
print([col for col in passes.columns if 'key' in col.lower() or 'assist' in col.lower()])

通常会有key_pass或shot_assist字段，若为True,表示该传球导致射门。

# 假设列名为'key_pass'
key_passes = passes[passes['key_pass'] == True]

2 按球队分组计数

team_key_passes = key_passes.groupby('team').size().reset_index(name='key_passes_count')
print(team_key_passes)

输出示例：

team	key_passes_count
Argentina	12
France	8

于是得出结论：阿根廷队关键传球更多。

3 完整可运行代码（精简版）

from statsbombpy import sb
import pandas as pd
matches = sb.matches(competition_id=43, season_id=106)
match_id = matches[matches['home_team'] == 'Argentina']['match_id'].values[0]
events = sb.events(match_id=match_id)
passes = events[events['type'] == 'Pass'].copy()
pass_details = pd.json_normalize(passes['pass'])
passes = pd.concat([passes.drop('pass', axis=1), pass_details], axis=1)
key_passes = passes[passes['key_pass'] == True]
result = key_passes.groupby('team').size()
print(result)

可视化对比：一眼看出哪队关键传球更多

用柱状图直观展示：

import matplotlib.pyplot as plt
result.plot(kind='bar', color=['#1f77b4', '#ff7f0e'])'关键传球次数对比')
plt.ylabel('次数')
plt.xticks(rotation=0)
plt.show()

如果两队差距明显，柱状图会立刻告诉你答案，还可以用饼图展示占比,或用时间线展示关键传球发生的时间分布。

常见问答（FAQ）

Q1：如果没有key_pass字段怎么办？ A：可退而求其次，统计“导致射门的传球”，在StatsBomb中，射门事件有一个shot.key_pass_id，通过匹配传球事件的id即可反推关键传球，或者使用pass.shot_assist字段（不同版本命名不同）。

Q2：Python统计关键传球时，如何区分主客场？ A：使用team列即可，无需区分主客，若想按主客队展示，可结合matches中的home_team和away_team重命名。

Q3：除了StatsBomb，还有哪些免费数据源？ A：FBref提供pass_types表格，可筛选“Key Passes”列；Understat的shot数据中可提取lastAction为传球的关键传球,但StatsBomb最直接。

Q4：为什么我的代码报错“KeyError: 'key_pass'”？ A：检查pass_details的列名，不同赛季或比赛的数据结构可能略有差异，可用print(pass_details.columns)查看实际字段，常见别名有shot_assist、key_pass、assist等。

Q5：如何批量分析多场比赛？ A：写一个循环遍历matches['match_id']，对每场比赛重复上述步骤，最后汇总，注意控制请求频率,避免被封IP。