Python数据分析实战：从零构建足球赛事数据模型与可视化

在数据分析领域，体育赛事，尤其是足球，是一个充满魅力的应用场景。通过公开的比赛数据，我们可以回溯历史，量化球队表现，甚至尝试理解那些决定冠军归属的微妙因素。2008-2009赛季的欧洲足坛，巴塞罗那在瓜迪奥拉的带领下成就“六冠王”伟业，其统治力不仅体现在场面上，更应能在数据层面得到印证。本文将以该赛季的欧洲主流联赛（以西甲、英超为主）数据为样本，从零开始，演示如何运用Python的数据分析工具链，完成一次从数据获取、清洗、分析到可视化的完整流程。我们将聚焦于几个核心问题：如何量化一支球队的进攻与防守效率？巴萨的“梦三”王朝在数据上有何特征？与同时期的其他强队（如曼联、切尔西、利物浦）相比，优势体现在哪里？

通过本文，你将掌握使用pandas进行体育数据规整、使用matplotlib/seaborn进行可视化、以及构建基础足球数据指标（如预期进球xG的简化模型、控球效率等）的分析方法。整个过程将完全基于可公开获取的数据集和代码，确保每一步都可复现。

1. 理解足球数据分析的维度与数据来源

足球数据分析远不止于进球和胜负。要深入评估球队表现，我们需要从多个维度切入。对于08-09这样的历史赛季，我们通常依赖于事后整理的统计数据。

1.1 核心分析维度

一次完整的球队赛季表现分析，通常会考察以下几个层面：

• 进攻端：总进球数、射门次数、射正率、关键传球、绝佳机会创造等。更深一层，我们会接触“预期进球（xG）”概念，它衡量每次射门转化为进球的概率，能更公平地评价进攻质量。
• 防守端：总失球数、被射门次数、扑救次数、拦截、抢断、解围等。类似地，“预期失球（xGA）”可以评估防守体系给对手创造了多少机会。
• 控制力：控球率、传球成功率（尤其是对方半场传球成功率）、传球次数等。这反映了球队对比赛节奏的掌控能力。
• 效率与稳定性：进球转化率（进球/射门）、零封场次、客场战绩、对阵不同档次对手的表现等。

1.2 数据获取与准备

对于历史赛季，手动收集数据费时费力且易错。我们将使用公开的数据集。一个常用的来源是football-data.co.uk，它提供了欧洲多个联赛多年来的比赛结果和基础统计数据。我们将主要使用其西甲和英超的数据。

首先，创建项目环境并安装必要的库。

# 创建项目目录并进入 mkdir football_analysis_0809 && cd football_analysis_0809 # 创建虚拟环境（可选，但推荐） python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # Linux/Mac: source venv/bin/activate # 安装核心库 pip install pandas numpy matplotlib seaborn requests

接下来，下载0809赛季的数据。我们可以编写一个简单的脚本来自动化这个过程。

# download_data.py import pandas as pd import os # 定义数据保存目录 data_dir = './data' os.makedirs(data_dir, exist_ok=True) # 定义要下载的联赛及对应的文件名代码 # football-data.co.uk 使用类似 E0, SP1 的代码 leagues = { 'Premier_League_0809': 'https://www.football-data.co.uk/mmz4281/0809/E0.csv', 'LaLiga_0809': 'https://www.football-data.co.uk/mmz4281/0809/SP1.csv', } for league_name, url in leagues.items(): try: df = pd.read_csv(url) file_path = os.path.join(data_dir, f'{league_name}.csv') df.to_csv(file_path, index=False) print(f'Successfully downloaded and saved: {league_name}') except Exception as e: print(f'Failed to download {league_name} from {url}. Error: {e}') print('Download complete.')

运行此脚本后，./data目录下会生成两个CSV文件：Premier_League_0809.csv和LaLiga_0809.csv。这些文件包含了当赛季每一场比赛的详细记录，如日期、主客场球队、比分、射门数、角球数等。

2. 数据清洗与初步探索

原始数据往往包含无关列、缺失值或格式不一致的问题。在进行分析前，必须进行清洗和规整。

2.1 加载与查看数据结构

# load_and_explore.py import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 设置绘图风格 sns.set_style('whitegrid') # 加载数据 pl_df = pd.read_csv('./data/Premier_League_0809.csv') laliga_df = pd.read_csv('./data/LaLiga_0809.csv') print('英超数据形状：', pl_df.shape) print('西甲数据形状：', laliga_df.shape) # 查看前几行和列名 print('\n英超数据列名：') print(pl_df.columns.tolist()) print('\n西甲数据列名：') print(laliga_df.columns.tolist()) # 查看基本信息 print('\n英超数据基本信息：') print(pl_df.info())

运行后你会发现，数据集包含很多列，如FTHG（主队全场进球）、FTAG（客队全场进球）、HS（主队射门）、AS（客队射门）、HST（主队射正）、AST（客队射正）等。不同赛季的数据集列可能略有不同，这是处理历史数据时常见的挑战。

2.2 清洗与列选择

我们需要筛选出分析所必需的列，并统一命名以便后续合并或对比分析。

# data_cleaning.py # 定义我们关心的核心列 essential_columns = [ 'Date', 'HomeTeam', 'AwayTeam', 'FTHG', 'FTAG', # 基础信息 'HS', 'AS', 'HST', 'AST', # 射门数据 'HC', 'AC', # 角球（可选） 'HY', 'AY', 'HR', 'AR' # 纪律（黄牌、红牌） ] # 检查并选取存在的列 def clean_dataframe(df, league_name): # 实际数据中列名可能带有空格，先去除 df.columns = df.columns.str.strip() # 选取存在的列 existing_cols = [col for col in essential_columns if col in df.columns] df_clean = df[existing_cols].copy() # 添加联赛标识 df_clean['League'] = league_name # 处理日期列（原始格式可能是 dd/mm/yy） df_clean['Date'] = pd.to_datetime(df_clean['Date'], dayfirst=True, errors='coerce') # 计算总进球、总射门等衍生列，便于后续聚合 df_clean['TotalGoals'] = df_clean['FTHG'] + df_clean['FTAG'] df_clean['HomeShotsOnTargetRate'] = df_clean['HST'] / df_clean['HS'].replace(0, pd.NA) # 避免除零 df_clean['AwayShotsOnTargetRate'] = df_clean['AST'] / df_clean['AS'].replace(0, pd.NA) return df_clean pl_clean = clean_dataframe(pl_df, 'Premier League') laliga_clean = clean_dataframe(laliga_df, 'La Liga') print('清洗后英超数据样例：') print(pl_clean[['Date', 'HomeTeam', 'AwayTeam', 'FTHG', 'FTAG', 'HS', 'AS']].head()) print('\n清洗后西甲数据样例：') print(laliga_clean[['Date', 'HomeTeam', 'AwayTeam', 'FTHG', 'FTAG', 'HS', 'AS']].head())

3. 构建球队赛季表现数据透视表

单场比赛的数据是点状的，我们需要将其聚合成每个球队的赛季总览。这需要通过数据透视（或分组聚合）来实现。

3.1 分离主客场数据并合并

为了计算每个球队的总体数据（无论主客场），一个有效的方法是将数据从“一场比赛一行”转换为“一个球队一场比赛一行”。

# team_aggregation.py def create_team_season_stats(df): """ 将比赛数据框转换为球队赛季统计数据框。 每支球队会有两行（主场和客场），然后聚合。 """ # 主场数据 home = df.rename(columns={ 'HomeTeam': 'Team', 'AwayTeam': 'Opponent', 'FTHG': 'GoalsFor', 'FTAG': 'GoalsAgainst', 'HS': 'Shots', 'AS': 'ShotsConceded', 'HST': 'ShotsOnTarget', 'AST': 'ShotsOnTargetConceded', 'HC': 'Corners', 'AC': 'CornersConceded', }) home['Venue'] = 'Home' home['Points'] = home.apply(lambda x: 3 if x['GoalsFor'] > x['GoalsAgainst'] else (1 if x['GoalsFor'] == x['GoalsAgainst'] else 0), axis=1) # 客场数据 away = df.rename(columns={ 'AwayTeam': 'Team', 'HomeTeam': 'Opponent', 'FTAG': 'GoalsFor', 'FTHG': 'GoalsAgainst', 'AS': 'Shots', 'HS': 'ShotsConceded', 'AST': 'ShotsOnTarget', 'HST': 'ShotsOnTargetConceded', 'AC': 'Corners', 'HC': 'CornersConceded', }) away['Venue'] = 'Away' away['Points'] = away.apply(lambda x: 3 if x['GoalsFor'] > x['GoalsAgainst'] else (1 if x['GoalsFor'] == x['GoalsAgainst'] else 0), axis=1) # 合并主客场数据 team_games = pd.concat([home, away], ignore_index=True) # 按球队聚合赛季总数据 season_stats = team_games.groupby('Team').agg({ 'GoalsFor': 'sum', 'GoalsAgainst': 'sum', 'Points': 'sum', 'Shots': 'sum', 'ShotsOnTarget': 'sum', 'ShotsConceded': 'sum', 'ShotsOnTargetConceded': 'sum', 'Venue': 'count' # 比赛场次 }).rename(columns={'Venue': 'Matches'}).reset_index() # 计算衍生指标 season_stats['GoalDifference'] = season_stats['GoalsFor'] - season_stats['GoalsAgainst'] season_stats['AvgGoalsFor'] = season_stats['GoalsFor'] / season_stats['Matches'] season_stats['AvgGoalsAgainst'] = season_stats['GoalsAgainst'] / season_stats['Matches'] # 射正率 = 射正次数 / 射门次数 season_stats['ShotsOnTargetRate'] = season_stats['ShotsOnTarget'] / season_stats['Shots'].replace(0, pd.NA) # 对手射正率 = 被射正次数 / 被射门次数 (衡量防守压迫性) season_stats['OppShotsOnTargetRate'] = season_stats['ShotsOnTargetConceded'] / season_stats['ShotsConceded'].replace(0, pd.NA) # 进球转化率 = 进球数 / 射门次数 season_stats['ConversionRate'] = season_stats['GoalsFor'] / season_stats['Shots'].replace(0, pd.NA) # 排序（按积分，然后净胜球） season_stats = season_stats.sort_values(['Points', 'GoalDifference'], ascending=False).reset_index(drop=True) season_stats['Position'] = season_stats.index + 1 return season_stats, team_games # 为两个联赛生成数据 pl_stats, pl_team_games = create_team_season_stats(pl_clean) laliga_stats, laliga_team_games = create_team_season_stats(laliga_clean) print('0809赛季英超积分榜（前五）：') print(pl_stats[['Position', 'Team', 'Matches', 'Points', 'GoalsFor', 'GoalsAgainst', 'GoalDifference']].head()) print('\n0809赛季西甲积分榜（前五）：') print(laliga_stats[['Position', 'Team', 'Matches', 'Points', 'GoalsFor', 'GoalsAgainst', 'GoalDifference']].head())

运行这段代码，我们将得到两个结构清晰的DataFrame，包含了每个球队的赛季总数据。例如，巴萨（Barcelona）和曼联（Man United）的数据会被清晰地计算出来。

4. 可视化对比：梦三巴萨与英超豪强的数据画像

有了聚合数据，我们可以通过可视化进行直观对比。我们将选取巴萨、曼联、切尔西、利物浦以及皇马作为分析对象。

4.1 雷达图多维度对比

雷达图适合对比多个维度上的表现。我们选取几个关键指标：场均进球、场均失球、场均射门、射正率、对手射正率、进球转化率。

# visualization_radar.py import numpy as np # 选择要对比的球队 teams_to_compare = ['Barcelona', 'Real Madrid', 'Man United', 'Chelsea', 'Liverpool'] # 准备数据：需要从两个联赛的数据中提取 def get_team_stats(team_name, pl_stats, laliga_stats): """从英超或西甲数据中找到指定球队的统计数据""" if team_name in pl_stats['Team'].values: return pl_stats[pl_stats['Team'] == team_name].iloc[0] elif team_name in laliga_stats['Team'].values: return laliga_stats[laliga_stats['Team'] == team_name].iloc[0] else: # 处理可能的名称不一致，例如‘Man United’ vs ‘Manchester United’ # 这里需要根据实际数据调整，为简化我们先返回None return None # 定义要对比的指标及其标签 categories = ['AvgGoalsFor', 'AvgGoalsAgainst', 'Shots', 'ShotsOnTargetRate', 'ConversionRate', 'OppShotsOnTargetRate'] category_labels = ['场均进球', '场均失球', '场均射门', '射正率', '进球转化率', '对手射正率'] # 收集数据 data_for_radar = [] for team in teams_to_compare: stats = get_team_stats(team, pl_stats, laliga_stats) if stats is not None: # 为雷达图归一化数据（使所有指标在0-1区间，且“失球”和“对手射正率”是越低越好，需要反向处理） values = [] for cat in categories: val = stats[cat] # 简单归一化：除以该指标在所有球队中的最大值（这里用对比球队中的最大值近似） # 实际项目中应从更大样本计算 max_val = max([get_team_stats(t, pl_stats, laliga_stats)[cat] for t in teams_to_compare if get_team_stats(t, pl_stats, laliga_stats) is not None]) if cat in ['AvgGoalsAgainst', 'OppShotsOnTargetRate']: # 对于越低越好的指标，用 1 - 归一化值 values.append(1 - (val / max_val)) else: values.append(val / max_val) data_for_radar.append(values) else: print(f"Warning: Data for {team} not found.") data_for_radar.append([0]*len(categories)) # 绘制雷达图 angles = np.linspace(0, 2*np.pi, len(categories), endpoint=False).tolist() angles += angles[:1] # 闭合图形 fig, ax = plt.subplots(figsize=(10, 10), subplot_kw=dict(projection='polar')) colors = ['#A50044', '#004D98', '#DA291C', '#034694', '#C8102E'] # 巴萨、皇马、曼联、切尔西、利物浦的主题色 for idx, (team, values, color) in enumerate(zip(teams_to_compare, data_for_radar, colors)): values += values[:1] # 闭合数据 ax.plot(angles, values, 'o-', linewidth=2, label=team, color=color) ax.fill(angles, values, alpha=0.1, color=color) ax.set_xticks(angles[:-1]) ax.set_xticklabels(category_labels, fontsize=12) ax.set_ylim(0, 1.2) ax.set_title('0809赛季欧洲豪强关键数据雷达图对比（归一化）', size=16, pad=20) ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0)) plt.tight_layout() plt.savefig('./output/radar_comparison_0809.png', dpi=300) plt.show()

4.2 散点图分析进攻效率

散点图能清晰展示球队在“创造机会（射门）”和“把握机会（转化率）”上的分布。

# visualization_scatter.py # 合并两个联赛的数据以在同一张图上看分布 all_stats = pd.concat([pl_stats.assign(League='Premier League'), laliga_stats.assign(League='La Liga')], ignore_index=True) # 筛选出我们关注的几支球队进行高亮 highlight_teams = teams_to_compare plt.figure(figsize=(12, 8)) # 绘制所有球队的背景点 sns.scatterplot(data=all_stats, x='Shots', y='ConversionRate', hue='League', alpha=0.6, s=100, palette={'Premier League': 'skyblue', 'La Liga': 'orange'}) # 高亮目标球队 for idx, row in all_stats[all_stats['Team'].isin(highlight_teams)].iterrows(): plt.scatter(row['Shots'], row['ConversionRate'], s=200, edgecolors='black', linewidth=2, zorder=5) plt.annotate(row['Team'], (row['Shots'], row['ConversionRate']), xytext=(5, 5), textcoords='offset points', fontweight='bold') plt.xlabel('总射门次数', fontsize=14) plt.ylabel('进球转化率（进球/射门）', fontsize=14) plt.title('0809赛季球队进攻效率散点图：射门数量 vs 转化质量', fontsize=16) plt.legend(title='联赛') plt.grid(True, alpha=0.3) plt.tight_layout() plt.savefig('./output/scatter_offense_0809.png', dpi=300) plt.show()

通过这张图，我们可以观察巴萨是否处于“高射门、高转化”的理想象限，而其他球队的分布又如何。

5. 深入分析：构建简易预期进球（xG）模型

基础数据如射门和射正，无法区分一次禁区内的抢点射门和一次30码外的远射。预期进球（xG）模型通过给每次射门赋予一个基于历史数据的得分概率，来更精确地衡量进攻质量。由于原始数据集不包含每次射门的位置和类型，我们将构建一个极度简化的模型作为演示：假设射正的概率是射门转化为进球的一个重要中间变量。

我们的简化模型：xG = 射门次数 * 平均射正率 * 平均射正转化率其中，平均射正转化率可以使用联赛整体的“进球数 / 射正次数”来估算。

# simple_xg_model.py def calculate_simple_xg(team_stats_df, league_games_df): """ 计算简化版的赛季累计xG和xGA。 团队xG = 该队射门数 * (该队射正率) * (联赛平均射正进球率) 团队xGA = 该队被射门数 * (该队对手射正率) * (联赛平均射正进球率) """ # 计算联赛平均射正进球率 league_total_goals = league_games_df['FTHG'].sum() + league_games_df['FTAG'].sum() league_total_sot = league_games_df['HST'].sum() + league_games_df['AST'].sum() league_avg_sot_conversion = league_total_goals / league_total_sot if league_total_sot > 0 else 0 print(f"联赛平均射正转化率: {league_avg_sot_conversion:.3f}") # 为每支球队计算 team_stats_df = team_stats_df.copy() team_stats_df['xG'] = team_stats_df['Shots'] * team_stats_df['ShotsOnTargetRate'].fillna(0) * league_avg_sot_conversion team_stats_df['xGA'] = team_stats_df['ShotsConceded'] * team_stats_df['OppShotsOnTargetRate'].fillna(0) * league_avg_sot_conversion team_stats_df['xGDiff'] = team_stats_df['xG'] - team_stats_df['xGA'] team_stats_df['Goals_vs_xG'] = team_stats_df['GoalsFor'] - team_stats_df['xG'] return team_stats_df.sort_values('xG', ascending=False) # 分别计算两个联赛 pl_stats_with_xg = calculate_simple_xg(pl_stats, pl_clean) laliga_stats_with_xg = calculate_simple_xg(laliga_stats, laliga_clean) print('\n英超 - 简化xG模型排名（前五）:') print(pl_stats_with_xg[['Team', 'GoalsFor', 'xG', 'Goals_vs_xG', 'GoalsAgainst', 'xGA']].head()) print('\n西甲 - 简化xG模型排名（前五）:') print(laliga_stats_with_xg[['Team', 'GoalsFor', 'xG', 'Goals_vs_xG', 'GoalsAgainst', 'xGA']].head())

这个模型虽然简单，但能让我们量化球队在“创造得分机会”和“防守对方机会”上的表现。Goals_vs_xG（实际进球-预期进球）可以粗略衡量前锋的终结效率或运气成分。巴萨很可能在xG和xGDiff上都领先。

6. 常见问题与数据排查

在实际操作中，你可能会遇到以下问题：

6.1 数据下载失败或列名不一致

现象：运行download_data.py时连接错误，或后续处理时提示KeyError。原因：

1. 网络问题或源网站URL结构变化。
2. 不同赛季、不同联赛的数据文件列名可能微调（例如FTHG可能为FullTimeHomeGoals）。排查与解决：
3. 手动下载：如果脚本失败，直接浏览器访问https://www.football-data.co.uk/mmz4281/0809/E0.csv，下载后放入./data目录。
4. 检查列名：在清洗前，用print(df.columns.tolist())打印所有列名，根据实际情况调整essential_columns列表中的列名。
5. 使用通用列选择：可以尝试用列的位置索引（iloc）或包含特定关键词（如'Home'）来筛选列。

6.2 球队名称不一致

现象：在合并数据或查找特定球队时，发现名称不匹配（如Man United、Manchester United、Man Utd）。原因：数据来源不同，球队命名规范不统一。解决：建立球队名称映射字典，在清洗阶段进行统一。

# 在清洗函数中添加名称映射 team_name_mapping = { 'Manchester United': 'Man United', 'Man Utd': 'Man United', 'Tottenham': 'Tottenham Hotspur', # ... 根据实际数据添加更多映射 } def clean_dataframe(df, league_name): # ... 其他清洗步骤 ... df_clean['HomeTeam'] = df_clean['HomeTeam'].replace(team_name_mapping) df_clean['AwayTeam'] = df_clean['AwayTeam'].replace(team_name_mapping) # ...

6.3 图形显示异常或数据为NaN

现象：雷达图扭曲、散点图点很少、计算中出现NaN警告。原因：

1. 数据中存在除零情况（如射门数为0）。
2. 归一化时最大值可能为0。
3. 球队数据缺失导致get_team_stats返回None。解决：
4. 在计算比率时使用.replace(0, pd.NA)或.fillna(0)进行保护。
5. 在归一化前，检查最大值是否大于0，可以加上一个极小值避免除零。
6. 确保对比的球队名称在数据集中确实存在，打印出数据集中所有球队名称进行核对。

6.4 简化xG模型结果不符合直觉

现象：计算出的xG值与实际进球数差异巨大，或排名与常识不符。原因：我们的模型过于简化，忽略了射门位置、方式（头球、脚射）、进攻类型（定位球、运动战）等关键因素。理解与改进：

• 这是一个教学模型，旨在演示xG的思想。真实的xG模型需要每次射门的坐标和类型数据。
• 可以将其作为一个基线，理解其局限性。要获得更准确的分析，需要使用更专业的数据集（如StatsBomb、Opta提供的事件流数据）。

7. 最佳实践与扩展方向

7.1 数据分析最佳实践

1. 版本控制与可复现性：将整个分析项目（代码、数据、环境配置文件requirements.txt）置于Git仓库中。使用pip freeze > requirements.txt生成依赖列表。
2. 配置与路径分离：将数据源URL、文件路径、球队映射等配置信息提取到单独的config.py或settings.yaml文件中，便于维护。
3. 模块化代码：如本文所示，将数据下载、清洗、分析、可视化分别写成函数或模块，提高代码可读性和复用性。
4. 异常处理与日志：在生产脚本中，应为网络请求、文件操作等添加更完善的try-except块，并记录日志，便于排查问题。
5. 数据验证：在聚合计算后，进行简单的合理性检查，如总进球数是否等于所有比赛进球之和，球队比赛场次是否正确等。

7.2 扩展分析方向

1. 时间序列分析：分析球队在整个赛季中的状态走势。计算每轮过后的滚动平均积分、xG值，观察争冠或保级关键期的表现波动。
2. 对阵强度分析：区分球队在对阵上游、中游、下游球队时的表现。计算“对阵前六名球队的积分”等指标，评估球队的“硬仗”能力。
3. 主场优势量化：分别计算每支球队的主客场数据，比较进球、失球、射门等指标的差异，量化各联赛的主场优势程度。
4. 引入更多数据源：结合转会市场身价数据，分析“投入产出比”。或结合球员个人数据，分析核心球员（如梅西、C罗）对球队xG的贡献度。
5. 机器学习预测：使用历史多个赛季的数据，构建特征（如过去N场的平均xG、伤病情况、赛程密度等），尝试用机器学习模型预测比赛结果或赛季最终排名。

通过对2008-2009赛季数据的处理与分析，我们不仅用代码复现了那个赛季的积分榜，更通过雷达图、散点图和简易xG模型，从数据层面揭示了巴塞罗那的统治力可能来源于其极高的控场（射门数多）与极高的进攻效率（转化率高、射正率高）的结合。这种数据分析方法可以迁移到任何历史或当前赛季，帮助你超越比分，从更本质的维度理解足球比赛。下一步，你可以尝试用同样的流程分析你感兴趣的其他赛季，或者挑战自己，从更精细的事件流数据中构建一个更真实的xG模型。