本文目录导读：
在开源项目中,如果你问的是足球数据分析类项目（比如用事件数据、追踪数据做战术分析），看两队边路突破能力对比，通常可以从以下几个层面入手，如果你指的是别的“开源项目”（比如游戏、社区协作），可以再补充说明，我再针对性回答。
先明确“边路突破能力”拆成哪些指标
足球语境下,边路突破能力通常不是单一数据，而是几类指标的组合：
| 维度 | 常见指标 |
|---|---|
| 推进 | 边路区域带球推进距离、 progressive carries |
| 过人 | 成功过人次数、过人成功率、1v1 成功率 |
| 传中 | 边路传中次数、传中成功率、威胁传中 |
| 进入危险区域 | 边路进入进攻三区/禁区的次数 |
| 创造机会 | 边路发起的 key passes、xA、助攻 |
| 速度/爆发 | 冲刺次数、最高速度（追踪数据） |
| 对抗 | 边路地面对抗成功率 |
对比两队时,不能只看次数，要看成功率 + 区域 + 结果。
在开源项目中怎么实现对比
数据层
常见开源/公开数据源：
- StatsBomb Open Data：事件数据，含 location、carry、dribble、pass 等，适合做边路突破分析。
- FBref / Understat 爬虫：偏统计汇总，适合快速对比。
- Metrica Sports / SkillCorner 公开样本：追踪数据，可算速度、跑动。
- Wyscout 公开数据：事件数据，带坐标和标签。
开源项目里一般用：
mplsoccer：画球场、热图、箭头图socceraction：把事件数据转成 SPADL 格式，方便统一计算kloppy：统一读取不同厂商追踪/事件数据pandas + numpy：做聚合和对比
定义边路区域
通常把球场按宽度分成：
- 左路：x 固定，y 在 0–20% 或 80–100%
- 右路：同理
- 中路：中间 60%
然后筛选：
# 伪代码 left_wing = df[(df.y < 20) | (df.y > 80)] right_wing = ...
再按球队分组,算：
- 带球次数
- 成功过人次数
- 传中次数
- 进入进攻三区次数
- 每次突破后的 xT / xA 增量
对比可视化
开源项目里常见的做法：
- 雷达图：两队边路突破各指标归一化后对比
- 双边条形图：左路/右路分别对比
- 球场箭头图：画出成功突破的起点→终点
- 热图：边路活动密度
- 桑基图：边路突破后是传中、内切还是回传
例如用 mplsoccer 画箭头：
from mplsoccer import Pitch pitch = Pitch() fig, ax = pitch.draw() pitch.arrows(x_start, y_start, x_end, y_end, ax=ax, color='red')
关键对比逻辑
建议按这个顺序看：
- 总量：哪队边路触球/带球更多？
- 质量：过人成功率、传中成功率谁高？
- 区域：是在中场边路倒脚，还是能进进攻三区/禁区？
- 结果：突破后是否形成射门、xA、进球？
- 左右平衡：是单边强还是两翼齐飞？
- 对手强度：对手边后卫防守数据如何？是否被针对？
如果是一个“开源数据分析项目”本身
如果你说的是某个具体开源项目（socceranalytics、football-data、statsbombpy 之类），看两队边路突破对比，一般步骤是：
- 读项目 README，确认它支持哪些数据源
- 找
features/或metrics/目录，看有没有现成的边路/突破指标 - 看
notebooks/或examples/，通常有对比示例 - 如果没有现成指标,就基于事件坐标自己加：
- 过滤边路区域
- 筛选 carry / dribble / cross 事件
- 按球队聚合
- 输出对比表/图
一个简单对比模板
| 指标 | A队左路 | A队右路 | B队左路 | B队右路 |
|---|---|---|---|---|
| 带球次数 | ||||
| 成功过人 | ||||
| 过人成功率 | ||||
| 传中次数 | ||||
| 传中成功率 | ||||
| 进入进攻三区 | ||||
| 创造射门 | ||||
| xA |
如果你能告诉我：
- 你用的是哪个开源项目/数据源
- 是事件数据还是追踪数据
- 想要代码示例还是分析思路
我可以直接给你一段可运行的 Python 对比代码。
