python案例统计界外球进攻威胁次数？

统计界外球进攻威胁次数

下面用Python实现一个界外球进攻威胁的统计分析案例，核心思路：筛选所有界外球事件，判断该界外球结束后一段时间内（或本次进攻回合内）是否产生了威胁（射门/进球/危险进攻/进入进攻三区等）。

数据说明

假设有事件数据（类似StatsBomb/Opta格式），字段包括：

完整代码

import pandas as pd
import numpy as np
# ---------- 1. 模拟数据（实际使用时替换为读取CSV） ----------
np.random.seed(42)
events = []
teams = ['A队', 'B队']
event_types = ['Throw-in', 'Pass', 'Shot', 'Goal', 'Carry', 'Tackle', 'Interception']
for mid in [1, 2]:                      # 2场比赛
    for team in teams:
        for i in range(200):
            et = np.random.choice(event_types, p=[0.08, 0.45, 0.08, 0.02, 0.20, 0.09, 0.08])
            events.append({
                'match_id': mid,
                'event_id': len(events),
                'timestamp': i * 2,               # 每2秒一个事件
                'team': team,
                'event_type': et,
                'x': np.random.randint(0, 101),
                'y': np.random.randint(0, 101),
                'outcome': np.random.choice(['成功', '失败', '射正', '进球'],
                                            p=[0.6, 0.3, 0.08, 0.02])
            })
df = pd.DataFrame(events).sort_values(['match_id', 'event_id']).reset_index(drop=True)
# ---------- 2. 定义"威胁"判定规则 ----------
# 威胁事件：射门(Shot) 或 进球(Goal) 或 进入进攻三区(x>=67)的危险传球
def is_threat(row):
    if row['event_type'] in ('Shot', 'Goal'):
        return True
    if row['event_type'] == 'Pass' and row['x'] >= 67 and row['outcome'] == '成功':
        return True
    return False
df['is_threat'] = df.apply(is_threat, axis=1)
# ---------- 3. 为每个界外球关联后续进攻回合 ----------
# 规则：界外球后，同一球队连续控球（未被对手打断）且在 X 秒内的威胁事件归属于该界外球
WINDOW_SECONDS = 20          # 界外球后20秒内的进攻视为本次界外球发起
attack_three_zone_x = 67     # 进攻三区阈值
results = []
for (mid), grp in df.groupby('match_id'):
    grp = grp.sort_values('event_id').reset_index(drop=True)
    throwins = grp[grp['event_type'] == 'Throw-in']
    for _, ti in throwins.iterrows():
        t0 = ti['timestamp']
        team = ti['team']
        # 界外球之后、20秒内的事件
        window = grp[(grp['timestamp'] > t0) &
                     (grp['timestamp'] <= t0 + WINDOW_SECONDS)]
        # 判断控球是否被对手打断（简化：出现对手事件即认为回合结束）
        opponents = window[window['team'] != team]
        if not opponents.empty:
            first_opp_time = opponents['timestamp'].min()
            # 只保留对手事件之前的本方进攻
            window = window[window['timestamp'] < first_opp_time]
        own_actions = window[window['team'] == team]
        if own_actions.empty:
            threat_count = 0
            entered_final_third = False
        else:
            threat_count = own_actions['is_threat'].sum()
            entered_final_third = (own_actions['x'] >= attack_three_zone_x).any()
        results.append({
            'match_id': mid,
            'event_id': ti['event_id'],
            'team': team,
            'timestamp': t0,
            'threat_count': threat_count,
            'entered_final_third': entered_final_third,
            'has_threat': threat_count > 0,
            'is_dangerous_throwin': entered_final_third
        })
res = pd.DataFrame(results)
# ---------- 4. 汇总统计 ----------
total_throwins = len(res)
threat_throwins = res['has_threat'].sum()
danger_throwins = res['is_dangerous_throwin'].sum()
print("========== 界外球进攻威胁统计 ==========")
print(f"总界外球次数：{total_throwins}")
print(f"产生威胁（有射门/进球/三区传球）的界外球次数：{threat_throwins}")
print(f"进入进攻三区的界外球次数：{danger_throwins}")
print(f"威胁转化率：{threat_throwins / total_throwins:.2%}")
print(f"进入三区比例：{danger_throwins / total_throwins:.2%}\n")
# 按球队统计
team_stat = res.groupby('team').agg(
    throwins=('event_id', 'count'),
    threat_count=('has_threat', 'sum'),
    dangerous_count=('is_dangerous_throwin', 'sum'),
    total_threats=('threat_count', 'sum')
).reset_index()
team_stat['threat_rate'] = (team_stat['threat_count'] / team_stat['throwins']).map('{:.2%}'.format)
print("按球队统计：")
print(team_stat.to_string(index=False))
# ---------- 5. 可视化 ----------
import matplotlib.pyplot as plt
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
team_stat.plot(kind='bar', x='team', y=['throwins', 'threat_count', 'dangerous_count'],
               ax=axes[0], color=['#4C72B0', '#DD8452', '#55A868'])
axes[0].set_title('各队界外球 vs 威胁界外球')
axes[0].set_ylabel('次数')
res['threat_count'].value_counts().sort_index().plot(
    kind='bar', ax=axes[1], color='#C44E52')
axes[1].set_title('每次界外球产生的威胁次数分布')
axes[1].set_xlabel('威胁次数')
axes[1].set_ylabel('界外球个数')
plt.tight_layout()
plt.savefig('throwin_threat.png', dpi=120)
plt.show()

关键逻辑解析

威胁定义（可自定义）

def is_threat(row):
    if row['event_type'] in ('Shot', 'Goal'):   # 直接射门/进球
        return True
    if row['event_type'] == 'Pass' and row['x'] >= 67:  # 进入进攻三区
        return True
    return False

界外球 → 进攻回合 的归属

• 时间窗口法：界外球后 20 秒内的事件视为“由该界外球发起的进攻”。
• 控球连续性：若窗口内出现对手事件（抢断、拦截、对方传球），则回合终止，只统计之前本方的动作。

威胁判定维度

进阶扩展建议

1. 精确回合切分：使用 possession / sequence 字段对齐 StatsBomb 的 poss自然回合，避免用固定时间窗。
2. 位置加权：前场界外球（x>60）应给予更高权重，区分“常规界外球”和“前场界外球”。
3. xT/VAEP 模型：用 Expected Threat 或 VAEP 值替代简单二值判定，量化每次界外球的期望威胁。
4. 对手强度校正：按对手实力归一化，避免样本偏差。
5. 长掷界外球识别：单独标记掷入禁区的界外球（可视为定位球），其威胁率通常显著高于普通界外球。

真实数据来源

• StatsBomb Open Data：https://github.com/statsbomb/open-data（含 Throw-in 事件与坐标）
• FBref / Wyscout：需自建解析
• StatsBomb 中界外球事件类型为 "Pass" 且 pass.type == "Throw-in"，需要相应调整筛选条件：

# StatsBomb 格式下的筛选
throwins = df[(df['type'] == 'Pass') & (df['pass_type'] == 'Throw-in')]

如需我针对 StatsBomb 真实数据改写完整读取+分析脚本，告诉我即可。