本文目录导读：
- 当开源足球数据遇上门将扑救质量评估
- 什么是PSxG？为什么它比普通扑救率更值得关注
- 这个开源项目到底分不分析门将的PSxG数据？
- 项目核心架构与数据流向：从射门事件到门将评分
- 问答环节：关于PSxG与门将分析的常见疑问
- 实战验证：如何用该项目提取门将PSxG相关指标
- 局限性与替代方案：它不做什么，你该补什么
- 门将分析的开源路径是否已经成熟
这个开源项目是否分析门将的PSxG数据？深入拆解足球预期进球模型中的门将评估能力**
目录导读
- 引言：当开源足球数据遇上门将扑救质量评估
- 什么是PSxG？为什么它比普通扑救率更值得关注
- 这个开源项目到底分不分析门将的PSxG数据？
- 项目核心架构与数据流向：从射门事件到门将评分
- 问答环节：关于PSxG与门将分析的常见疑问
- 实战验证：如何用该项目提取门将PSxG相关指标
- 局限性与替代方案：它不做什么，你该补什么
- 门将分析的开源路径是否已经成熟
当开源足球数据遇上门将扑救质量评估
足球数据分析领域近年来最显著的变化之一,就是从简单的进球、助攻、扑救次数，转向更具情境判断力的高阶指标，对于门将而言，传统的“扑救成功率”往往掩盖了一个关键事实：面对的射门难度完全不同，一脚禁区外软绵绵的远射和一次小禁区内的必进球，在数据记录上都算一次扑救机会，但价值天差地别。
正是在这种背景下,PSxG（Post-Shot Expected Goals，射门后预期进球）成为衡量门将真实表现的重要工具，它回答的问题是：基于射门发生后的位置、角度、助攻方式、防守压力等因素，这脚射门有多大概率转化为进球？如果门将扑出了高PSxG的射门，说明他完成了超出预期的扑救。
那么问题来了：这个开源项目是否分析门将的PSxG数据？ 这是许多足球数据爱好者、业余分析师甚至半职业俱乐部技术团队在接触开源工具时最直接的疑问，本文将从项目定位、数据管道、计算逻辑和实际输出四个层面，给出一个透彻且去伪存真的回答。
什么是PSxG？为什么它比普通扑救率更值得关注
PSxG的全称是Post-Shot Expected Goals，中文常译为“射门后预期进球”，它与常见的xG（Expected Goals，射门预期进球）有本质区别：
- xG：基于射门发生前的信息（位置、角度、身体部位、助攻类型、防守距离等），计算这次射门转化为进球的概率。
- PSxG：在xG的基础上，进一步纳入射门发生后的信息——球的飞行轨迹、门将站位、射门最终是否命中目标、球速等，它更接近“这脚射门如果由平均水平的门将来处理，有多大可能会进”。
对于门将评估,PSxG的核心价值在于计算PSxG差（PSxG-GA）：
PSxG差 = 面对的PSxG总和 − 实际丢球数
如果一名门将的PSxG差为正,说明他扑出了比预期更多的射门；为负，则说明他让更多本该被扑出的球进了门，这比“扑救成功率”精确得多，因为它把每一次射门的难度都单独量化了。
一个开源项目如果声称能分析门将,却没有涉及PSxG或其等价指标，那么它的门将评估能力是残缺的。
这个开源项目到底分不分析门将的PSxG数据？
直接回答：取决于你指的是哪一个开源项目。 但如果你指的是目前足球分析社区中常被讨论的、基于事件数据（如StatsBomb、Opta、Wyscout格式）的开源预期进球框架，那么答案是：部分分析，且需要额外配置或二次开发才能完整支持门将PSxG。
多数开源xG项目（例如常见的Python xG建模仓库、R语言足球分析包）的核心目标是计算射门前的xG，而不是射门后的PSxG，它们会输出每一脚射门的xG值，并汇总为球队的预期进球，这些项目通常包含以下模块：
- 数据读取与清洗（支持JSON、CSV格式的事件数据）
- 特征工程（距离、角度、射门部位、助攻方式等）
- 模型训练（逻辑回归、XGBoost、神经网络等）
- 预测与可视化（输出xG值、xG地图）
PSxG需要额外的“射门后”特征，
- 球是否命中目标（on target）
- 门将的初始站位坐标
- 射门飞行过程中的偏转
- 射门速度与旋转
这些信息在大多数开源事件数据集中并不总是完整提供,尤其是门将站位和球速，一个典型的开源xG项目默认不计算PSxG，但它可能提供了扩展接口，如果你看到某个项目在文档中明确提到“PSxG”或“post-shot xG”，那么它确实在做门将分析；如果只提“xG”和“射门”，那它主要分析的是进攻端。
这个开源项目是否分析门将的PSxG数据，不能一概而论，你需要检查它的特征列表、目标变量定义以及是否包含门将维度的输出，如果它只有“射门xG”，没有“门将扑救难度”或“PSxG差”，那么它不分析门将的PSxG数据，但可以作为计算PSxG的基础。
项目核心架构与数据流向：从射门事件到门将评分
为了更精确地回答这个问题,我们以一个典型的开源足球事件分析项目为例，拆解其数据流向：
第一层：原始事件数据
- 来源：StatsBomb开放数据、Opta、Wyscout等
- 关键字段：事件类型（射门、传球、扑救）、坐标、时间戳、球员ID
第二层：射门特征提取
- 距离 = 欧几里得距离（射门点 → 球门中心）
- 角度 = 射门点与两个门柱形成的夹角
- 助攻类型：传中、直塞、反击等
- 防守压力：最近防守球员距离
第三层：xG模型
- 输入：上述特征
- 输出：每脚射门的xG值（0到1之间）
- 模型评估：AUC、对数损失
第四层：门将维度（关键分歧点）
- 如果项目包含“扑救事件”与“射门事件”的关联，它可以计算：
- 门将面对的射门总数
- 这些射门的xG总和（即PSxG的近似值）
- 实际丢球数
- PSxG差 = xG总和 − 丢球数
- 但注意：这里的“xG总和”严格来说是射门前xG，而非真正的射门后PSxG，真正的PSxG需要射门后信息，而开源项目往往缺失这部分。
即使项目输出了“门将面对的xG总和”，它也只是PSxG的代理指标，不是精确的PSxG，如果你追求严格的PSxG，需要额外的数据源（如统计公司提供的射门轨迹数据）或自行标注。
问答环节：关于PSxG与门将分析的常见疑问
问：这个开源项目能直接输出门将的PSxG差吗？
答：大多数不能直接输出，它可能输出门将面对的xG总和与实际丢球数，你可以手动计算差值，但这不等于严格PSxG差，严格PSxG需要射门后特征，开源项目通常不包含。
问：如果项目不支持PSxG，我还能用它分析门将吗？
答：可以，但精度有限，你可以用“面对的xG总和”作为射门难度的替代，计算“xG差”来粗略评估门将，这比只看扑救率好，但不如PSxG精确。
问：有没有开源项目专门做PSxG？
答：有，但较少，一些研究者会发布包含PSxG计算脚本的仓库，通常需要付费数据源（如StatsBomb 360）才能获得门将站位和射门轨迹，纯开源免费数据很难支撑严格PSxG。
问：PSxG和xG哪个对门将评价更重要？
答：PSxG更重要，xG只告诉你射门有多难，PSxG告诉你门将面对的实际射门质量，一个门将可能面对很多低xG射门，但PSxG会调整射门是否命中目标等因素。
问：这个开源项目是否分析门将的PSxG数据——如果我只关心门将，该看哪些输出字段？
答：看是否有“goalkeeper_psxg”、“psxg_diff”、“post_shot_xg”等字段，如果没有，就看“shots_faced_xg”和“goals_conceded”，自行计算差值。
实战验证：如何用该项目提取门将PSxG相关指标
假设你拿到一个开源xG项目,想验证它是否分析门将PSxG，可以按以下步骤操作：
- 检查数据模式：查看项目支持的赛事数据中，是否包含“扑救”事件与“射门”事件的关联ID。
- 运行示例代码：用项目自带的样例数据跑一遍，观察输出DataFrame的列名。
- 搜索关键词：在代码库中搜索“PSxG”、“post-shot”、“goalkeeper”、“keeper”等词。
- 查看文档：阅读README或Wiki，看是否有门将分析章节。
- 手动计算：如果项目只输出射门xG，你可以按门将分组，累加面对的xG，再减去丢球数，得到近似PSxG差。
如果以上步骤中,项目完全没有门将维度，那么它不分析门将的PSxG数据，如果它有门将维度但只有xG总和，那么它分析的是近似PSxG，而非严格PSxG。
局限性与替代方案：它不做什么，你该补什么
开源项目在门将PSxG分析上的主要局限有三：
- 数据缺失：免费事件数据缺少射门轨迹、门将站位、球速等PSxG关键特征。
- 模型简化：多数开源xG模型为射门前模型，未针对射门后场景重新训练。
- 门将归因模糊：即使有PSxG差，也难区分门将扑救能力与防守体系影响。
替代方案包括：
- 使用StatsBomb 360数据（含门将站位）自行训练PSxG模型
- 结合计算机视觉,从比赛视频中提取射门轨迹
- 采用商业数据提供商的PSxG指标作为基准
- 在开源项目基础上,增加“是否命中目标”作为二分类特征，近似PSxG
门将分析的开源路径是否已经成熟
回到最初的问题：这个开源项目是否分析门将的PSxG数据？ 答案取决于具体项目，对于大多数开源xG项目而言，它们不直接分析严格的PSxG，但提供了计算近似PSxG差的基础设施，你可以用“面对的xG总和”与“实际丢球数”来粗略评估门将，但若追求精确PSxG，仍需补充射门后数据。
开源足球分析正在快速进步,门将评估不再是黑箱，虽然PSxG的完整实现尚未在免费开源项目中普及，但通过理解数据流向、手动扩展特征、结合问答中的验证方法，你完全可以在开源生态中构建出有意义的门将PSxG分析，关键在于：不要只看项目名称，要看它的特征列表和输出字段。
