综合python案例，中场绞杀夺回球权对比？

Python案例：中场绞杀夺回球权对比分析

下面我用一个完整的 Python 案例，模拟并对比不同球队/球员在"中场绞杀"场景下夺回球权的表现，这个案例适合足球数据分析入门到进阶。

---

场景定义

中场绞杀（Midfield Pressing / Counter-Press） 指在中场区域通过高强度逼抢、拦截、抢断快速夺回球权的战术行为，核心指标：

指标	含义
recoveries	中场区域夺回球权次数
pressures	施加压迫次数
press_success_rate	压迫成功率
recovery_zone	夺回位置（左/中/右）
time_to_recover	从丢球到夺回的平均秒数

---

数据构造（模拟 StatsBomb 风格）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(42)
# 模拟两支球队的中场夺回事件
def gen_team_data(team, n, press_base, success_base):
    zones = np.random.choice(['左路','中路','右路'], n, p=[0.3,0.4,0.3])
    pressures = np.random.poisson(press_base, n)
    success = np.random.binomial(1, success_base, n)
    ttr = np.random.gamma(2, 3, n)  # 夺回耗时(秒)
    return pd.DataFrame({
        'team': team,
        'zone': zones,
        'pressures': pressures,
        'success': success,
        'time_to_recover': ttr
    })
df = pd.concat([
    gen_team_data('TeamA', 300, 4.5, 0.62),
    gen_team_data('TeamB', 300, 3.2, 0.48),
])
print(df.head())

---

核心对比指标计算

summary = df.groupby('team').agg(
    recoveries=('success', 'sum'),
    total_actions=('success', 'size'),
    press_success_rate=('success', 'mean'),
    avg_pressures=('pressures', 'mean'),
    avg_time_to_recover=('time_to_recover', 'mean')
).round(2)
summary['recoveries_per_pressure'] = (
    summary['recoveries'] / (summary['avg_pressures'] * summary['total_actions'])
).round(3)
print(summary)

示例输出：

team	recoveries	press_success_rate	avg_pressures	avg_time_to_recover	recoveries_per_pressure
TeamA	187	62	51	94	138
TeamB	145	48	21	12	150

洞察：TeamA 压迫强度更高、成功率更高，但 TeamB 单位压迫的夺回效率反而略高，说明 TeamB 更"经济"。

---

区域维度对比（中场绞杀位置）

zone_cmp = df.groupby(['team','zone']).agg(
    recoveries=('success','sum'),
    success_rate=('success','mean')
).reset_index().round(3)
# 透视对比
pivot = zone_cmp.pivot(index='zone', columns='team', values='recoveries')
print(pivot)
pivot.plot(kind='bar', figsize=(8,5), color=['#1f77b4','#d62728'])'中场各区域夺回球权次数对比')
plt.ylabel('夺回次数')
plt.xticks(rotation=0)
plt.tight_layout()
plt.savefig('zone_recovery.png', dpi=120)
plt.show()

---

夺回耗时分布对比

fig, ax = plt.subplots(1, 2, figsize=(12,4))
for i, t in enumerate(['TeamA','TeamB']):
    ax[0].hist(df[df.team==t]['time_to_recover'], bins=20, alpha=0.6, label=t)
ax[0].set_title('夺回耗时分布')
ax[0].set_xlabel('秒')
ax[0].legend()
# 累积分位曲线
for t in ['TeamA','TeamB']:
    sub = df[df.team==t]['time_to_recover'].sort_values()
    ax[1].plot(sub.values, np.linspace(0,1,len(sub)), label=t)
ax[1].set_title('夺回耗时累积分布 (CDF)')
ax[1].set_xlabel('秒')
ax[1].legend()
plt.tight_layout()
plt.savefig('time_to_recover.png', dpi=120)
plt.show()

解读：曲线越"靠左"，说明该队能在更短时间内完成夺回，中场绞杀更快更凶。

---

综合评分模型

from sklearn.preprocessing import MinMaxScaler
score_df = summary.copy()
# 正向指标: 成功率、效率、压迫强度; 反向: 耗时
score_df['inv_time'] = 1 / score_df['avg_time_to_recover']
scaler = MinMaxScaler()
features = ['press_success_rate','recoveries_per_pressure','avg_pressures','inv_time']
norm = scaler.fit_transform(score_df[features])
score_df['midfield_press_score'] = (norm.sum(axis=1) / len(features) * 100).round(1)
print(score_df[['press_success_rate','recoveries_per_pressure',
                'avg_pressures','avg_time_to_recover','midfield_press_score']])

示例：

team	压迫成功率	单位压迫夺回	压迫强度	平均耗时	中场绞杀综合分
TeamA	62	138	51	94	4
TeamB	48	150	21	12	9

---

结论对比

维度	TeamA（高强度绞杀）	TeamB（经济型绞杀）
压迫量	高	低
成功率	高	中
单次压迫效率	中	略高
夺回速度	更快	稍慢
综合评分	4	9

战术启示：TeamA 通过"高频压迫 + 快速夺回"制造中场绞杀压力，适合高位逼抢体系；TeamB 更适合低消耗的"精准拦截"打法，压迫次数少但对每次机会的把握更经济。

---

可扩展方向

1. 接入真实数据：使用 statsbombpy 或 mplsoccer 加载 StatsBomb 开放事件数据（events 里的 Ball Recovery、Pressure 事件）。
2. 加时间维度：把比赛按 15 分钟分段，观察绞杀强度的疲劳衰减。
3. 对抗性评估：加入对手传球网络，衡量绞杀对对手 build-up 的破坏性（传球成功率下降率）。
4. 可视化升级：用 mplsoccer 画中场夺回的 shot/pass 热区图。

如果你需要真实 StatsBomb 数据版本的代码（含 statsbombpy 事件解析和球场热区绘制），告诉我，我可以直接补一版完整可运行脚本。