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

  1. 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。
  2. 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。
  3. 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。
  4. 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)。
  5. 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。
  6. 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。
  7. 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;Python scikit-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

  1. 数据说明表:来源、赛事、场次、事件数、许可。
  2. 模型表:特征、系数/重要性、验证指标(log loss、Brier、AUC、校准斜率)。
  3. 球队/球员表:xG、实际进球、差值及区间;或 ORtg、DRtg、四要素。
  4. 信度表:指标、kappa/ICC、95% CI。
  5. 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

体育学面向体育学研究:训练负荷监控、可穿戴 GPS/IMU 数据、运动生物力学、竞技表现分析、国民与学生体质健康数据、身体活动测量、运动干预研究设计,以及体育人文社会学与政策研究。

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

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。