实用脚本统计弧线球传中精准度如何？

wen 实用脚本 2026-11-02 4

本文目录导读：

实用脚本统计弧线球传中精准度如何？

先定义“弧线球传中精准度”
脚本示例（StatsBomb 风格字段）
输出解读要点
如果你用的是其他数据源

“弧线球传中精准度”这个指标在足球数据分析里通常不是一个直接给出的单一数据，需要自己构造，下面给你一个可执行的脚本框架（Python + pandas），以及指标定义思路，你可以按自己手上的数据源（StatsBomb / Opta / Wyscout / 自采）调整字段名。

先定义“弧线球传中精准度”

建议拆成三层指标,避免单一指标误导：

指标	定义	说明
弧线球识别率	传中事件中被标记为弧线/外脚背/内脚背的比例	依赖数据源是否标注传中类型
落点精准度	弧线传中落点与目标区域（小禁区/点球点附近）的距离	需要坐标
接球成功率	弧线传中后本方球员第一脚触球/射门的比例	最接近“精准”的实战指标
威胁转化	弧线传中后 3 秒内形成射门/进球的比例	xT / xG 加成

多数公开数据（如 StatsBomb）有 pass.type、pass.technique、pass.end_location、pass.outcome，可以直接构造。

脚本示例（StatsBomb 风格字段）

import pandas as pd
import numpy as np
# ---------- 1. 读入事件数据 ----------
# events: 每行一个事件，含 type, pass_technique, pass_end_location, pass_outcome,
#         player, team, minute, possession 等字段
events = pd.read_parquet("events.parquet")
# ---------- 2. 筛选传中 ----------
# StatsBomb: pass.cross == True；technique: Inswinging / Outswinging / Straight
crosses = events[
    (events["type"] == "Pass") &
    (events["pass_cross"] == True)
].copy()
# ---------- 3. 标记弧线球 ----------
curve_tech = ["Inswinging", "Outswinging"]
crosses["is_curve"] = crosses["pass_technique"].isin(curve_tech)
# ---------- 4. 落点坐标 ----------
# pass_end_location 通常是 [x, y]，x 进攻方向 0-120，y 0-80
crosses["end_x"] = crosses["pass_end_location"].apply(lambda v: v[0] if isinstance(v, list) else np.nan)
crosses["end_y"] = crosses["pass_end_location"].apply(lambda v: v[1] if isinstance(v, list) else np.nan)
# ---------- 5. 定义“精准落点” ----------
# 例：落点在小禁区前沿 + 点球点之间（x 102-114, y 18-62）
def in_danger_zone(x, y):
    return (102 <= x <= 114) and (18 <= y <= 62)
crosses["accurate_zone"] = crosses.apply(
    lambda r: in_danger_zone(r["end_x"], r["end_y"]), axis=1
)
# ---------- 6. 接球成功 / 形成射门 ----------
# 需要事件序列：看该 pass 的 possession 内后续 3 个事件是否有 Shot 或本方接球
# 简化：用 pass_outcome 为空表示传球成功（未被拦截/出界）
crosses["completed"] = crosses["pass_outcome"].isna()
# 更严格的“接球后射门”需按 possession + timestamp 排序后 shift
events_sorted = events.sort_values(["match_id", "possession", "index"]).reset_index(drop=True)
events_sorted["next_type"] = events_sorted.groupby(["match_id", "possession"])["type"].shift(-1)
events_sorted["next2_type"] = events_sorted.groupby(["match_id", "possession"])["type"].shift(-2)
shot_after = events_sorted[
    (events_sorted["type"] == "Pass") &
    (events_sorted["pass_cross"] == True)
].copy()
shot_after["led_to_shot"] = shot_after["next_type"].eq("Shot") | shot_after["next2_type"].eq("Shot")
crosses = crosses.merge(
    shot_after[["id", "led_to_shot"]], on="id", how="left"
)
# ---------- 7. 汇总 ----------
def summarize(df):
    return pd.Series({
        "传中总数": len(df),
        "弧线球数": df["is_curve"].sum(),
        "弧线球占比": df["is_curve"].mean(),
        "弧线球落点精准率": df.loc[df["is_curve"], "accurate_zone"].mean(),
        "弧线球传球成功率": df.loc[df["is_curve"], "completed"].mean(),
        "弧线球→射门率": df.loc[df["is_curve"], "led_to_shot"].mean(),
        "非弧线球落点精准率": df.loc[~df["is_curve"], "accurate_zone"].mean(),
    })
overall = summarize(crosses)
by_player = crosses.groupby("player").apply(summarize).reset_index()
print(overall)
print(by_player.sort_values("弧线球→射门率", ascending=False).head(20))