python案例如何分析边锋内切打法的威胁？

wen python案例 2026-10-09 1

用 Python 分析足球"边锋内切"打法的威胁

边锋内切（Winger Cutting Inside）是当今足坛非常流行的进攻方式——边锋从边路带球向中路切入，寻找射门或传球机会（如罗本、萨拉赫、马赫雷斯），下面我用 Python 从数据获取 → 特征提取 → 威胁建模 → 可视化的完整流程来演示分析。

整体思路

要量化"内切威胁",核心是把它拆成几个可测量的维度：

维度	含义	数据来源
内切频率	单位时间内切向中路的次数	事件数据（带球/传球）
内切位置	从边路向中路切入的起点	坐标 (x, y)
内切后产出	射门、助攻、关键传球	事件结果
防守反应	吸引几人包夹、是否造犯规	事件上下文
xT / xG 增益	威胁度变化	位置价值模型

数据准备

常用数据源：StatsBomb Open Data（免费，含 360 数据）、FBref、Wyscout。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Arc, Rectangle
from mplsoccer import Pitch
# 读取 StatsBomb 开放数据（示例：某场比赛事件数据）
events = pd.read_json("events/3788741.json")
# 关键字段提取
df = events[[
    "id", "player", "type", "location", "pass", "carry",
    "shot", "minute", "under_pressure"
]].copy()
df["event_type"] = df["type"].apply(lambda x: x["name"] if isinstance(x, dict) else None)
df["x"] = df["location"].apply(lambda l: l[0] if isinstance(l, list) else None)
df["y"] = df["location"].apply(lambda l: l[1] if isinstance(l, list) else None)
df = df.dropna(subset=["x", "y"])

识别"内切"动作

定义：球员从边路（|y - 40| > 15）向中路移动，且 x 方向推进或横向位移超过阈值。

def detect_cut_inside(df, x_threshold=5, y_shift_threshold=8):
    """
    检测内切动作：
    - 起点在边路 (y < 25 或 y > 43, 场地宽度 68)
    - 带球后有明显的向中路位移
    """
    carries = df[df["event_type"] == "Carry"].copy()
    carries = carries.sort_values(["player", "minute"])
    cut_events = []
    for player, group in carries.groupby("player"):
        rows = group.to_dict("records")
        for i in range(len(rows) - 1):
            cur, nxt = rows[i], rows[i + 1]
            start_y = cur["y"]
            end_y = nxt["y"]
            dx = nxt["x"] - cur["x"]
            dy = end_y - start_y
            # 起点在边路
            on_wing = start_y < 25 or start_y > 43
            # 向中路移动：左路 y 增大，右路 y 减小
            moving_inside = (start_y < 25 and dy > y_shift_threshold) or \
                            (start_y > 43 and dy < -y_shift_threshold)
            # 向前推进
            forward = dx > x_threshold
            if on_wing and moving_inside and forward:
                cut_events.append({
                    "player": player,
                    "minute": cur["minute"],
                    "start_x": cur["x"], "start_y": start_y,
                    "end_x": nxt["x"],   "end_y": end_y,
                    "dx": dx, "dy": dy,
                })
    return pd.DataFrame(cut_events)

构建威胁度模型（xT）

用Expected Threat（xT）衡量每次内切前后位置的威胁值变化：

# xT 网格（简化版，实际可用 Karun Singh 公开的 12x8 矩阵）
xt_grid = np.array([
    [0.006, 0.007, 0.008, 0.009, 0.012, 0.016, 0.022, 0.030, 0.041, 0.055, 0.070, 0.082],
    [0.009, 0.010, 0.011, 0.013, 0.017, 0.022, 0.030, 0.040, 0.053, 0.068, 0.083, 0.093],
    # ... 省略其余行，实际需完整 12 行 × 8 列
])
def get_xt(x, y):
    """根据坐标返回 xT 值"""
    xi = min(int(x / 105 * 12), 11)
    yi = min(int(y / 68 * 8), 7)
    return xt_grid[xi, yi]
cuts = detect_cut_inside(df)
cuts["xt_gain"] = cuts.apply(
    lambda r: get_xt(r["end_x"], r["end_y"]) - get_xt(r["start_x"], r["start_y"]), axis=1
)

关联内切后的结果（射门/助攻/关键传球）

def get_post_action(player, minute, window=2):
    """取内切后 2 分钟内的产出事件"""
    subsequent = df[
        (df["player"] == player) &
        (df["minute"] >= minute) &
        (df["minute"] <= minute + window)
    ]
    outcomes = set()
    for _, row in subsequent.iterrows():
        if row["event_type"] == "Shot":
            outcomes.add("shot")
        if row["event_type"] == "Pass" and isinstance(row["pass"], dict):
            if row["pass"].get("shot_assist"):
                outcomes.add("key_pass")
            if row["pass"].get("goal_assist"):
                outcomes.add("assist")
    return outcomes
cuts["outcomes"] = cuts.apply(
    lambda r: get_post_action(r["player"], r["minute"]), axis=1
)
cuts["is_shot"]   = cuts["outcomes"].apply(lambda s: "shot" in s)
cuts["is_goal"]   = cuts["outcomes"].apply(lambda s: "assist" in s)

可视化：绘制内切轨迹

from mplsoccer import Pitch
# 从 StatsBomb 提取球员全名
player_names = {p["id"]: p["name"] for p in events["player"].dropna().unique()}
pitch = Pitch(pitch_type="statsbomb", line_color="black")
fig, ax = pitch.draw(figsize=(12, 8))
# 按球员绘制，颜色区分
for player, grp in cuts.groupby("player"):
    pitch.arrows(
        grp["start_x"], grp["start_y"],
        grp["end_x"],   grp["end_y"],
        ax=ax, color="red", width=2, headwidth=8, alpha=0.6,
    )
ax.set_title("边锋内切轨迹图", fontsize=16)
plt.savefig("cut_inside.png", dpi=150, bbox_inches="tight")

威胁评估汇总

summary = cuts.groupby("player").agg(
    cuts_count=("start_x", "count"),
    avg_xt_gain=("xt_gain", "mean"),
    total_xt=("xt_gain", "sum"),
    shots_after=("is_shot", "sum"),
    goals_after=("is_goal", "sum"),
).sort_values("total_xt", ascending=False)
# 威胁指数（可自定义权重）
summary["threat_score"] = (
    summary["cuts_count"] * 0.3 +
    summary["total_xt"] * 0.5 +
    summary["shots_after"] * 0.2
).round(3)
print(summary)

输出示例：

                    cuts_count  avg_xt_gain  total_xt  shots_after  threat_score
Salah, Mohamed             12        0.045     0.54          4         3.87
Mané, Sadio                 8        0.038     0.30          2         2.55
...

进阶分析方向

防守压力：用 under_pressure 字段加权——被逼抢下完成内切,威胁更高。
方向偏好：统计左路内切 vs 右路内切的有效性（例如罗本左脚右翼内切）。
对手反应：结合 360 数据看内切后对方防线是否被拉扯出空当。

机器学习模型：

from xgboost import XGBClassifier
# 用内切前的位置、速度、防守人数、比赛状态预测是否形成射门
features = ["start_x", "start_y", "dx", "dy", "under_pressure", "defenders_nearby"]
model = XGBClassifier()
model.fit(cuts[features], cuts["is_shot"])

对比分析：把"内切"与"下底传中"、"禁区外射门"等其他打法做 xT 收益对比。

步骤	关键点
数据	StatsBomb / Wyscout 事件数据
识别	边路起点 + 向中路位移 + 向前推进
量化	xT 增益、射门/助攻产出、防守压力
可视化	mplsoccer 箭头轨迹
建模	逻辑回归 / XGBoost 预测威胁

这样一套流程可以客观地回答"某位边锋的内切是否真的具有威胁"，并可以在球队战术分析、对手球探报告中直接使用。

需要我针对某位具体球员（如萨拉赫、罗本）写一个完整可运行的 demo 吗？