科研 Skill
竞技表现分析
sport-performance-analysis
基于事件数据构建xG模型与篮球回合效率指标,评估表现指标信度与稳定性。适用于足球篮球等团队项目战术绩效研究。
发布者 Codar安全审核通过v0.1.0更新于 2026-11-18
SKILL.md
竞技表现分析(Sports Performance Analysis)
适用场景
- 用 StatsBomb 开放事件数据构建射门期望进球(xG)模型,评估球员/球队把握机会能力。
- 篮球比赛回合层面分析:计算回合数、进攻/防守效率、Dean Oliver 四要素,研究节奏与胜负关系。
- 结合情境变量(比赛地点、比分状态、对手排名)做表现指标的多层模型分析。
- 自建视频标注(记号分析,notational analysis)系统并检验观察者间/观察者内信度。
- 评价表现指标的跨场稳定性(是否值得作为"能力"指标),为选材与球探报告提供证据。
边界与不适用
- 不用于博彩预测或赔率分析建议。
- 商业数据(Opta/Stats Perform、Wyscout、Second Spectrum、中超/CBA 官方数据商)受许可协议约束,不得协助绕过授权抓取或再分发。
- 动作技术的力学分析见
sport-biomechanics;GPS 跑动负荷见sport-wearable-gps-imu。
工作流
-
确定分析单元与数据源
- 输入:研究问题(球队层面/球员层面/事件层面)、可获取的数据许可。
- 操作:选择事件数据(每次传球/射门一行)、回合数据(篮球 play-by-play)或追踪数据(坐标时间序列)。
- 决策点:开放数据覆盖赛事有限(StatsBomb 开放数据以若干联赛赛季、世界杯、女足赛事等为主),结论外推须谨慎。
-
数据获取与结构化
- 足球:
statsbombpy读取 competitions → matches → events;注意 StatsBomb 球场坐标为 120 × 80,进攻方向统一为由左至右。 - 篮球:从官方/开放 play-by-play 构建回合表;处理换人、技术犯规、罚球序列等边界情况。
- 产出:整洁的事件表或回合表,附数据字典。
- 足球:
-
xG 模型构建
- 特征:射门距离、射门角度(与两门柱夹角)、身体部位、射门类型(运动战/定位球/点球)、助攻类型、是否头球;可加入防守人位置(freeze frame)。
- 方法:logistic 回归为基线,再试 GAM 或梯度提升;点球通常单独处理或剔除。
- 评估:按比赛/赛季划分训练与测试集(避免同场射门泄漏),报告 log loss、Brier score、AUC 与校准曲线。
- 决策点:xG 是"平均射手"基准,不能直接解释为某球员技术水平;样本量小时实际进球-xG 差异多为噪声。
-
篮球回合与效率
- 回合数估计:Poss ≈ FGA − ORB + TOV + 0.44 × FTA(系数 0.44 为常用近似,部分研究用其他值,须报告)。
- 指标:ORtg/DRtg(每 100 回合得失分)、四要素(eFG%、TOV%、ORB%、FT 率)。
- 决策点:直接从 play-by-play 计数回合时,需定义回合结束规则(投篮命中、防守篮板、失误、末次罚球)。
-
情境与多层建模
- 表现指标常受比赛地点、比分状态、对手实力、比赛阶段影响,使用多层/混合模型(比赛嵌套于赛季,球员交叉嵌套)。
- 计数型结局使用泊松/负二项模型,比例型使用 beta 或二项模型;以上场时间或回合数为暴露偏移项。
-
信度与稳定性
- 记号分析:观察者间/内一致性用 Cohen's kappa(分类事件)、ICC 或百分比误差(计数),间隔重复编码。
- 跨场稳定性:split-half(奇偶场)相关或 ICC,识别"可重复的能力"与"随机波动"指标。
-
可视化与报告
- 射门图、传球网络、xG 时间线(mplsoccer);篮球投篮热区图。
- 讨论数据商事件定义差异(同一"压迫""关键传球"在不同数据商中定义不同)。
工具与数据源
- StatsBomb Open Data(GitHub:statsbomb/open-data,使用须遵守其许可与署名要求);Python
statsbombpy、mplsoccer、socceraction(VAEP/xT 实现)。 - 篮球:
nba_api(NBA 官方统计接口的 Python 封装)、Basketball Reference(网站,遵守使用条款)。 - 视频标注:Dartfish、Hudl Sportscode、Kinovea(免费)、Longomatch。
- 统计:R
lme4、glmmTMB、mgcv、irr;Pythonscikit-learn、statsmodels。 - 中文文献:CNKI 中《体育科学》《中国体育科技》等期刊的表现分析研究。
最小代码示例(Python:StatsBomb 开放数据 logistic xG)
import numpy as np
import pandas as pd
from statsbombpy import sb
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import brier_score_loss, roc_auc_score
matches = sb.matches(competition_id=43, season_id=3) # 以 sb.competitions() 实际返回为准
shots = []
for mid in matches["match_id"]:
ev = sb.events(match_id=mid)
shots.append(ev[ev["type"] == "Shot"])
shots = pd.concat(shots)
shots = shots[shots["shot_type"] != "Penalty"]
xy = np.vstack(shots["location"].to_numpy())
dx, dy = 120 - xy[:, 0], np.abs(40 - xy[:, 1])
shots["dist"] = np.hypot(dx, dy)
a = np.arctan2(8 * dx, dx**2 + dy**2 - 16) # 门宽 8 码的射门张角
shots["angle"] = np.where(a < 0, a + np.pi, a)
shots["header"] = (shots["shot_body_part"] == "Head").astype(int)
shots["goal"] = (shots["shot_outcome"] == "Goal").astype(int)
X, y = shots[["dist", "angle", "header"]], shots["goal"]
m = LogisticRegression().fit(X, y)
p = m.predict_proba(X)[:, 1]
print("Brier", brier_score_loss(y, p), "AUC", roc_auc_score(y, p))
# 正式研究需按比赛分组交叉验证,并与 shot_statsbomb_xg 对比
质量检查
- 数据来源、赛事范围、版本日期与许可已注明
- 坐标系、进攻方向、事件定义已统一并说明
- xG 模型按比赛/赛季分组验证,报告校准而非仅 AUC
- 回合数公式及系数已报告
- 情境变量纳入模型,计数结局使用合适分布与暴露偏移
- 自建编码系统报告观察者间与观察者内信度
- 球员层面结论报告不确定性,避免小样本过度解读
- 遵守数据商与网站使用条款,未再分发受限数据
输出格式
- 数据说明表:来源、赛事、场次、事件数、许可。
- 模型表:特征、系数/重要性、验证指标(log loss、Brier、AUC、校准斜率)。
- 球队/球员表:xG、实际进球、差值及区间;或 ORtg、DRtg、四要素。
- 信度表:指标、kappa/ICC、95% CI。
- 图:射门图、校准曲线、传球网络。
参考规范与文献
- Hughes MD, Franks IM(编)《Notational Analysis of Sport》(Routledge)
- O'Donoghue P(2010)《Research Methods for Sports Performance Analysis》(Routledge)
- Oliver D(2004)《Basketball on Paper》(Potomac Books)
- Kubatko J, Oliver D, Pelton K, Rosenbaum DT(2007)篮球统计分析的基础方法(Journal of Quantitative Analysis in Sports)
- Decroos T 等(2019)VAEP:基于动作价值评估球员(KDD 会议论文)
- Hopkins WG(2000)测量误差与信度(Sports Medicine)
- Cohen J(1960)名义尺度一致性系数(Educational and Psychological Measurement)
示例提示词
用StatsBomb开放数据的世界杯射门事件构建一个logistic xG模型,并评估它的校准情况。
所属插件
安装该插件会一并获得同领域的 9 个 Skill / MCP。
同插件的其他科研 Skill
- 运动生物力学分析用ezc3d读取C3D动作捕捉数据,做滤波、关节角度与地面反作用力计算并衔接OpenSim。适用于跑跳落地等动作的生物力学分析。
- 运动干预设计报告按FITT-VP设计运动干预并用CERT/TIDieR清单报告,含meta分析方法。适用于运动干预RCT与系统综述,不为个人提供处方。
- 体质健康数据分析按国家学生体质健康标准计算评分,用GAMLSS构建年龄别百分位曲线。适用于学校体测常模制定与公报数据趋势分析。
- 体育政策与人文研究系统收集体育政策文本做工具编码与文本计量,二次分析全民健身调查数据。适用于体育治理、体教融合与群众体育研究。
- 运动营养与体成分评估比较DXA、BIA等体成分测量方法一致性,评估膳食摄入与能量可用性风险。适用于运动员体成分监测,不提供个体膳食处方。
- 身体活动测量分析用GGIR处理加速度计原始数据,选择切点并对照WHO指南判定达标率。适用于人群身体活动流行病学研究,不制定个人处方。
- 训练负荷监控研究规范采集sRPE/TRIMP负荷指标并拟合Banister模型,审慎讨论ACWR方法学争议。适用于负荷-表现与负荷-伤病关联研究。
- 可穿戴GPS数据处理处理GPS/IMU原始导出数据,定义速度区间与加减速事件阈值并评估设备一致性。适用于外部负荷研究与设备效度信度研究。
常见问题
竞技表现分析能做什么?
基于事件数据构建xG模型与篮球回合效率指标,评估表现指标信度与稳定性。适用于足球篮球等团队项目战术绩效研究。
如何安装竞技表现分析?
在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「竞技表现分析」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。
竞技表现分析需要哪些权限?
该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。
竞技表现分析经过官方审核吗?
是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。