python案例如何量化防守反击的效率值？

wen python案例 2026-10-15 2

量化防守反击效率值的Python实践

防守反击（Counter-Attack）是足球、篮球等运动中的重要战术，下面我从指标定义 → 数据建模 → Python实现 → 可视化完整讲解。

效率值的理论定义

防守反击效率 = 反击产出 / 反击投入

核心指标拆分

维度	指标	说明
触发	反击次数	由守转攻的次数
速度	转换耗时	断球到射门的时间
推进	传球次数/推进距离	越少越快越好
产出	射门/进球/xG	最终威胁
成功率	形成射门的比例	效率核心

数据准备

假设我们从事件数据中提取每次反击的片段（如 StatsBomb、Opta 格式）：

import pandas as pd
import numpy as np
# 模拟一次反击事件序列
data = {
    'match_id':   [1,1,1, 2,2,2, 3,3,3],
    'counter_id': [101,101,101, 102,102,102, 103,103,103],
    'event_type': ['tackle','pass','shot']*3,
    'timestamp':  [10,14,20, 30,33,40, 55,58,70],  # 秒
    'x': [30,55,85, 40,60,80, 20,45,75],           # 进攻方向坐标
    'outcome':    ['success','success','goal',
                   'success','success','saved',
                   'success','fail','blocked']
}
df = pd.DataFrame(data)

计算反击效率

def calc_counter_efficiency(df, base_time=15):
    """
    计算每支球队/每场比赛的防守反击效率
    base_time: 基准转换时间（秒），用于速度系数
    """
    results = []
    for cid, grp in df.groupby('counter_id'):
        grp = grp.sort_values('timestamp')
        start_t = grp['timestamp'].iloc[0]
        end_t   = grp['timestamp'].iloc[-1]
        duration = end_t - start_t
        # 推进距离（从首次触球到终点的 x 位移）
        progress = grp['x'].iloc[-1] - grp['x'].iloc[0]
        # 产出判定
        final = grp.iloc[-1]
        goal   = 1 if final['outcome'] == 'goal' else 0
        on_target = 1 if final['outcome'] in ['goal','saved'] else 0
        shot   = 1 if final['event_type'] == 'shot' else 0
        # 传球次数
        passes = (grp['event_type'] == 'pass').sum()
        # 速度系数：越快越高
        speed_factor = 1 + (base_time - duration) / base_time
        speed_factor = max(speed_factor, 0.5)  # 防止为负
        # 单次反击产出分
        output = goal*1.0 + on_target*0.5 + shot*0.2
        # 单次反击效率
        efficiency = output * speed_factor
        results.append({
            'counter_id': cid,
            'duration': duration,
            'progress': progress,
            'passes': passes,
            'goal': goal,
            'shot': shot,
            'efficiency': efficiency,
            'speed_factor': speed_factor
        })
    return pd.DataFrame(results)
eff_df = calc_counter_efficiency(df)
print(eff_df)

输出示例：

   counter_id  duration  progress  passes  goal  shot  efficiency  speed_factor
0         101        10        55       1     1     1        1.50          1.33
1         102        10        40       1     0     1        0.93          1.33
2         103        15        55       1     0     1        0.70          1.00

团队整体效率值

def team_counter_rating(eff_df, total_counters=None):
    """把单次效率聚合为球队效率值（0-100）"""
    if total_counters is None:
        total_counters = len(eff_df)
    total_eff = eff_df['efficiency'].sum()
    success_rate = eff_df['shot'].mean()      # 形成射门比例
    goal_rate = eff_df['goal'].sum() / total_counters
    # 加权综合（可自行调参）
    rating = (total_eff * 10 + success_rate * 40 + goal_rate * 60)
    return min(rating, 100)
rating = team_counter_rating(eff_df)
print(f"防守反击效率值: {rating:.1f} / 100")

进阶：加入 xG 模型

如果使用真实数据，可用 shot xG 替代简单产出：

# 假设每条反击有 xG 累积
eff_df['xg'] = [0.35, 0.10, 0.05]  # 示例
def xg_efficiency(row, base_time=15):
    speed = max(1 + (base_time - row['duration'])/base_time, 0.5)
    # 单位时间 xG 产出
    return row['xg'] / max(row['duration'], 1) * 100 * speed
eff_df['xg_eff'] = eff_df.apply(xg_efficiency, axis=1)

可视化对比

import matplotlib.pyplot as plt
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
# 各次反击效率
axes[0].bar(eff_df['counter_id'].astype(str), eff_df['efficiency'], color='steelblue')
axes[0].set_title('各次反击效率值')
axes[0].set_xlabel('反击ID'); axes[0].set_ylabel('效率值')
# 时间 vs 效率（散点）
axes[1].scatter(eff_df['duration'], eff_df['efficiency'], s=100, c='crimson')
axes[1].set_title('转换时间 vs 效率')
axes[1].set_xlabel('转换耗时(秒)'); axes[1].set_ylabel('效率值')
plt.tight_layout()
plt.savefig('counter_efficiency.png', dpi=120)
plt.show()

关键设计要点

归一化：不同比赛反击次数不同，需做 z-score 或 min-max 归一,方便跨队对比。
权重可调：进球、射正、射门的权重应根据战术偏好调整（如"快反"重速度，"阵地反"重质量）。
对手强度修正：可用对手防守评级做除数修正。
样本量要求：单场样本太小（3–8 次反击）,建议按赛季或按联赛跨场聚合。

完整可运行封装

class CounterAttackEvaluator:
    def __init__(self, base_time=15, weights=(1.0, 0.5, 0.2)):
        self.base_time = base_time
        self.w_goal, self.w_on, self.w_shot = weights
    def evaluate(self, df):
        df = df.sort_values(['counter_id','timestamp'])
        rows = []
        for cid, g in df.groupby('counter_id'):
            dur = g['timestamp'].iloc[-1] - g['timestamp'].iloc[0]
            last = g.iloc[-1]
            goal = int(last['outcome']=='goal')
            on   = int(last['outcome'] in ['goal','saved'])
            shot = int(last['event_type']=='shot')
            speed = max(1 + (self.base_time - dur)/self.base_time, 0.5)
            score = (goal*self.w_goal + on*self.w_on + shot*self.w_shot) * speed
            rows.append({'counter_id':cid,'duration':dur,'score':score})
        return pd.DataFrame(rows)

调用：

evaluator = CounterAttackEvaluator(base_time=15)
print(evaluator.evaluate(df))

如果你有具体的比赛数据源（StatsBomb / Opta / 自己标注的视频），我可以帮你改成对应字段的解析代码，或加入 xG、对手强度修正的版本，要不要接着做跨球队排行榜对比？

python案例如何量化防守反击的效率值？

量化防守反击效率值的Python实践

效率值的理论定义

核心指标拆分

推荐公式

数据准备

计算反击效率

团队整体效率值

进阶：加入 xG 模型

可视化对比

关键设计要点

完整可运行封装