python案例统计长短传比例如何分布？

wen python案例 2026-11-02 5

Python案例统计：长短传比例如何分布？——基于真实数据的深度解析

目录导读

引言：为什么要统计长短传比例
核心概念界定：什么是长传与短传
Python实战案例：数据采集与预处理
统计方法详解：比例分布的计算逻辑
可视化呈现：分布图谱的生成
典型场景问答（FAQ）
优化建议与SEO实践要点
从比例分布到战术洞察

为什么要统计长短传比例

在足球、篮球等团队运动的数据分析中，"传球"是最基础也最能反映战术风格的指标之一，长传与短传的比例分布，直接映射出一支球队的战术取向：偏好控球渗透的球队短传占比高，擅长快速反击的球队长传比例突出，借助Python对传球数据进行统计建模，可以把模糊的"风格印象"转化为可量化、可对比的比例分布，为教练组、数据分析师和球迷提供客观依据。

python案例统计长短传比例如何分布？

本文围绕"python案例统计长短传比例如何分布"这一主题，结合搜索引擎上已有的公开讨论进行去伪原创整合，给出一套完整、可复现的分析流程。

核心概念界定：什么是长传与短传

在动手写代码前,必须先明确判定规则，否则统计结果毫无意义。

短传：通常指传球距离小于等于25米（足球场景），强调地面配合与控球。
长传：传球距离大于25米，多为转移、反击或解围式传递。
阈值可调：不同联赛、不同数据源对长短传的划分标准存在差异，常见阈值有20米、25米、30米三档。

关键点在于：阈值一旦确定，整批数据必须统一使用同一标准，避免"同一样本两套尺子"导致比例失真。

Python实战案例：数据采集与预处理

假设我们已获得一份传球事件数据（字段包括：球员、传球起点坐标、终点坐标、比赛时间），核心思路是用坐标计算欧氏距离，再按阈值打标签。

import pandas as pd
import numpy as np
# 读取传球数据
df = pd.read_csv("passes.csv")
# 计算传球距离（假设坐标单位为米）
df["distance"] = np.sqrt(
    (df["end_x"] - df["start_x"])**2 +
    (df["end_y"] - df["start_y"])**2
)
# 设定阈值：25米
THRESHOLD = 25
df["pass_type"] = np.where(df["distance"] > THRESHOLD, "长传", "短传")

预处理阶段还需处理缺失坐标、异常距离（如超过120米的记录）以及重复事件，保证样本干净，这一环节往往决定了后续比例统计的可信度。

统计方法详解：比例分布的计算逻辑

统计的核心是"分组聚合"，按球队、按球员、按比赛阶段分别计算长短传占比，才能看出分布的层次。

# 整体比例
overall = df["pass_type"].value_counts(normalize=True) * 100
# 按球队分组统计
team_ratio = (
    df.groupby(["team", "pass_type"])
      .size()
      .unstack(fill_value=0)
)
team_ratio["长传比例"] = team_ratio["长传"] / team_ratio.sum(axis=1) * 100
team_ratio["短传比例"] = team_ratio["短传"] / team_ratio.sum(axis=1) * 100

通过normalize=True可直接得到比例，配合unstack实现长宽表转换，便于横向对比，实践中还可引入crosstab做交叉分析，观察不同比分状态下的比例漂移。

可视化呈现：分布图谱的生成

比例分布最适合用堆积条形图或饼图展示,堆积条形图能同时呈现"总量"与"结构"，是首选。

import matplotlib.pyplot as plt
team_ratio[["短传比例", "长传比例"]].plot(
    kind="barh", stacked=True, figsize=(10, 6)
)
plt.xlabel("比例 (%)")"各球队长短传比例分布")
plt.tight_layout()
plt.savefig("ratio_distribution.png")

若想看整体分布形态,可绘制直方图观察各队短传比例的集中区间，判断联盟整体是"短传主导"还是"长传盛行"。