python案例统计交叉跑位造成威胁几次？

wen python案例 2026-10-22 2

Python案例统计：交叉跑位造成威胁几次？实战解析与代码实现

目录导读

引言：什么是交叉跑位与威胁统计？
数据准备：构建比赛事件数据集
核心算法：如何定义与识别交叉跑位
威胁判定：交叉跑位后形成射门或进球
完整Python代码实现
常见问题问答（FAQ）
优化建议与总结

引言：什么是交叉跑位与威胁统计？

在足球数据分析中，“交叉跑位”指两名进攻球员在跑动路线中相互穿插、交换位置，从而打乱防守球员的盯人逻辑，当交叉跑位成功后，若直接形成射门、射正或进球，即视为“造成威胁”，许多教练团队和数据分析师希望用Python量化这一指标：一场比赛中，交叉跑位到底造成了几次威胁？

python案例统计交叉跑位造成威胁几次？

本文将通过一个完整的Python案例，从数据构造、事件识别到威胁统计，给出可复用的代码方案,并解答实操中的常见疑问。

数据准备：构建比赛事件数据集

真实场景中，数据通常来自赛事事件流（如Sportec、StatsBomb格式），为便于演示，我们构造一个包含时间、球员、坐标、事件类型的DataFrame：

import pandas as pd
data = [
    {"time": 5, "player": "A1", "x": 30, "y": 20, "event": "pass"},
    {"time": 6, "player": "A2", "x": 32, "y": 22, "event": "run"},
    {"time": 7, "player": "A1", "x": 45, "y": 35, "event": "run"},
    {"time": 8, "player": "A2", "x": 47, "y": 33, "event": "run"},
    {"time": 9, "player": "A1", "x": 60, "y": 40, "event": "shot"},
    {"time": 15, "player": "A3", "x": 25, "y": 60, "event": "run"},
    {"time": 16, "player": "A4", "x": 27, "y": 58, "event": "run"},
    {"time": 17, "player": "A4", "x": 40, "y": 50, "event": "shot"},
]
df = pd.DataFrame(data)

关键字段说明：time为秒级时间戳，x/y为球场坐标，event标记传球、跑动、射门等动作。

核心算法：如何定义与识别交叉跑位

交叉跑位的判定逻辑可概括为三点：

时间窗口：两名球员在相近时间（如3秒内）均有跑动事件；
位置交换：两人的y坐标（横向）差值在窗口内发生“交叉”——即初始y差值符号与结束y差值符号相反；
空间接近：交叉发生时两人距离小于阈值（如15米）。

def detect_cross_runs(df, time_window=3, dist_threshold=15):
    runs = df[df["event"] == "run"].sort_values("time")
    crosses = []
    for i in range(len(runs)):
        for j in range(i+1, len(runs)):
            r1, r2 = runs.iloc[i], runs.iloc[j]
            if r1["player"] == r2["player"]:
                continue
            if abs(r1["time"] - r2["time"]) <= time_window:
                dy1 = r1["y"] - r2["y"]
                # 取下一时刻同两人位置判断符号变化
                later = runs[(runs["time"] > max(r1["time"], r2["time"])) &
                             (runs["player"].isin([r1["player"], r2["player"]]))]
                if len(later) >= 2:
                    p1 = later[later["player"] == r1["player"]].iloc[0]
                    p2 = later[later["player"] == r2["player"]].iloc[0]
                    dy2 = p1["y"] - p2["y"]
                    dist = ((p1["x"]-p2["x"])**2 + (p1["y"]-p2["y"])**2) ** 0.5
                    if dy1 * dy2 < 0 and dist < dist_threshold:
                        crosses.append({"time": r1["time"], "pair": (r1["player"], r2["player"])})
    return crosses

该函数返回所有疑似交叉跑位的时间点与球员组合。

威胁判定：交叉跑位后形成射门或进球

识别出交叉跑位后，需判断其后短时间内（如5秒）是否出现射门事件,且射门球员为交叉组合中的一人：

def count_threats(df, crosses, follow_window=5):
    threats = 0
    for c in crosses:
        t = c["time"]
        shoot = df[(df["event"] == "shot") &
                   (df["time"] > t) &
                   (df["time"] <= t + follow_window) &
                   (df["player"].isin(c["pair"]))]
        if len(shoot) > 0:
            threats += 1
    return threats
crosses = detect_cross_runs(df)
print("交叉跑位次数：", len(crosses))
print("造成威胁次数：", count_threats(df, crosses))

运行结果可直观回答核心问题：本场交叉跑位共识别若干次，其中转化为射门威胁的次数为N次。