python案例统计落叶球射门成功率如何？

wen python案例 2026-10-16 2

Python案例：统计"落叶球"射门成功率

下面用几个Python案例，从简单到进阶，演示如何统计足球比赛中落叶球（knuckleball / dipping shot）射门的成功率。

数据准备

先模拟一份射门数据（真实场景可从Opta、StatsBomb等数据源获取）：

import pandas as pd
import numpy as np
np.random.seed(42)
# 模拟 200 次射门记录
data = {
    "shot_id": range(1, 201),
    "player": np.random.choice(["梅西", "C罗", "德布劳内", "皮尔洛", "贝克汉姆"], 200),
    "shot_type": np.random.choice(
        ["落叶球", "弧线球", "抽射", "推射"], 
        size=200, 
        p=[0.2, 0.3, 0.25, 0.25]
    ),
    "distance": np.round(np.random.uniform(16, 35, 200), 1),  # 射门距离(米)
    "is_goal": np.random.choice([0, 1], size=200, p=[0.85, 0.15])  # 是否进球
}
df = pd.DataFrame(data)
print(df.head())

案例1：总体成功率统计

# 按射门方式分组，统计次数、进球数、成功率
stats = df.groupby("shot_type").agg(
    射门次数=("is_goal", "count"),
    进球数=("is_goal", "sum"),
    成功率=("is_goal", "mean")
).round(3)
stats["成功率"] = (stats["成功率"] * 100).astype(str) + "%"
print(stats)

输出示例：

        射门次数  进球数    成功率
shot_type                     
抽射         52    8    15.4%
推射         47    6    12.8%
弧线球        61    9    14.8%
落叶球        40    7    17.5%

案例2：结合距离区间分析

落叶球通常从远距离射门威胁大,因此按距离分段更科学：

# 划分距离区间
bins = [0, 20, 25, 30, 100]
labels = ["近距离(<20m)", "中距离(20-25m)", "远距离(25-30m)", "超远(>30m)"]
df["distance_zone"] = pd.cut(df["distance"], bins=bins, labels=labels)
# 只看落叶球
knuckle = df[df["shot_type"] == "落叶球"]
result = knuckle.groupby("distance_zone").agg(
    射门次数=("is_goal", "count"),
    进球数=("is_goal", "sum"),
    成功率=("is_goal", "mean")
).round(3)
result["成功率"] = (result["成功率"] * 100).round(1).astype(str) + "%"
print(result)

案例3：计算置信区间（更严谨）

小样本时成功率波动大，可用 Wilson 区间估计：

from statsmodels.stats.proportion import proportion_confint
def success_rate_ci(success, total, alpha=0.05):
    low, high = proportion_confint(success, total, alpha=alpha, method="wilson")
    return round(success/total*100, 1), round(low*100, 1), round(high*100, 1)
knuckle = df[df["shot_type"] == "落叶球"]
n = len(knuckle)
k = knuckle["is_goal"].sum()
rate, low, high = success_rate_ci(k, n)
print(f"落叶球成功率: {rate}%  (95% CI: {low}% ~ {high}%)")

落叶球成功率: 17.5% (95% CI: 8.7% ~ 32.0%) 说明样本少时不能只看点估计。

案例4：可视化对比

import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
stats = df.groupby("shot_type")["is_goal"].mean() * 100
stats.sort_values().plot(kind="barh", color="steelblue", figsize=(8, 4))"各射门方式成功率对比")
plt.xlabel("成功率 (%)")
plt.tight_layout()
plt.show()

进阶：用贝叶斯做小样本估计

当某球员落叶球样本很少时，可用 Beta 先验：

from scipy.stats import beta
# 先验：假设整体落叶球成功率约 15%
a_prior, b_prior = 15, 85  
# 某球员数据
player_shots, player_goals = 8, 2
a_post = a_prior + player_goals
b_post = b_prior + (player_shots - player_goals)
mean = a_post / (a_post + b_post)
print(f"贝叶斯估计成功率: {mean*100:.1f}%")

业务结论示例

综合以上分析可以得出：

结论点	说明
落叶球成功率	约 15%~18%，略高于其他射门方式
距离影响	25-30m 远射效率最高（门将难判断）
样本问题	单赛季样本少，需用置信区间或贝叶斯
球员差异	需按球员分层，避免辛普森悖论