python案例认为这次反击能形成射门吗？

wen python案例 2026-10-25 4

本文目录导读：

规则版示例（简单可解释）
机器学习版示例（用模拟数据训练）
如果你有具体比赛片段

你提到的“这次反击能形成射门吗”看起来像是一个足球比赛数据分析/事件预测的问题，但缺少具体比赛画面、数据或上下文（比如哪场比赛、反击发生在什么位置、参与人数、防守站位等），所以我无法直接判断“这次反击”是否形成射门。

如果你是想用 Python 做一个“反击是否形成射门”的案例/模型，我可以给你一个完整的思路和示例代码框架，通常这类问题可以做成：

规则版：根据事件数据（如反击开始位置、推进速度、防守人数、是否进入禁区等）写规则判断。
机器学习版：用历史事件数据训练二分类模型（形成射门=1，未形成=0）。

下面给一个可运行的 Python 案例框架（用模拟数据演示），你可以把真实数据替换进去。

规则版示例（简单可解释）

def can_form_shot(counter_attack):
    """
    counter_attack: dict, 包含反击事件特征
    返回: (bool, 原因)
    """
    # 规则1：必须进入进攻三区或禁区
    if counter_attack["end_zone"] not in ["attacking_third", "penalty_area"]:
        return False, "未进入进攻三区/禁区"
    # 规则2：推进速度不能太慢（例如平均速度 > 4 m/s）
    if counter_attack["avg_speed"] < 4.0:
        return False, "推进速度过慢"
    # 规则3：防守人数不能明显多于进攻人数（例如防守人数 <= 进攻人数 + 1）
    if counter_attack["defenders"] > counter_attack["attackers"] + 1:
        return False, "防守人数优势过大"
    # 规则4：反击持续时间不能太长（<= 12秒）
    if counter_attack["duration"] > 12:
        return False, "反击持续时间过长"
    return True, "满足形成射门条件"
# 模拟一次反击
ca = {
    "end_zone": "penalty_area",
    "avg_speed": 5.2,
    "attackers": 3,
    "defenders": 2,
    "duration": 8
}
print(can_form_shot(ca))
# 输出: (True, '满足形成射门条件')

机器学习版示例（用模拟数据训练）

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
# 模拟数据：每行是一次反击
# 特征：start_x, start_y, duration, attackers, defenders, avg_speed, passes, end_zone_code
# 标签：shot (1=形成射门, 0=未形成)
data = pd.DataFrame({
    "start_x": [30, 40, 50, 35, 60, 45, 55, 25, 70, 38],
    "start_y": [20, 30, 10, 25, 40, 15, 35, 5, 50, 22],
    "duration": [8, 10, 6, 12, 5, 9, 7, 14, 4, 11],
    "attackers": [3, 2, 4, 2, 3, 3, 4, 2, 3, 2],
    "defenders": [2, 3, 1, 4, 2, 2, 1, 5, 1, 3],
    "avg_speed": [5.2, 4.1, 6.0, 3.5, 6.5, 4.8, 5.8, 3.0, 7.0, 4.0],
    "passes": [2, 1, 3, 1, 2, 2, 3, 1, 1, 2],
    "end_zone_code": [2, 1, 2, 1, 2, 2, 2, 1, 3, 1],  # 1=中场,2=进攻三区,3=禁区
    "shot": [1, 0, 1, 0, 1, 1, 1, 0, 1, 0]
})
X = data.drop("shot", axis=1)
y = data["shot"]
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred, zero_division=0))
# 预测一次新的反击
new_ca = pd.DataFrame([{
    "start_x": 48,
    "start_y": 28,
    "duration": 7,
    "attackers": 3,
    "defenders": 2,
    "avg_speed": 5.5,
    "passes": 2,
    "end_zone_code": 2
}])
prob = model.predict_proba(new_ca)[0][1]
print(f"形成射门概率: {prob:.2%}")