从 xG 开始。训练一个 xG 的模型方便之后的探索使用
由于数据同样出自 Statsbomb，所以数据集使用他们的 opendata，获取 competitions 一共有 43 个赛季的不同性质比赛可以使用，但由于比赛差异，需要去除女子足球的比赛，然后去除阿森纳不败赛季的比赛作为测试集，过滤以后还有 36 个赛季 828 场的比赛可以使用
接下来获取所有的比赛事件，以及随之的跟踪数据事件，有一些需要注意的处理方法:
# 使用 mplsoccer 获取数据，每场比赛事件分别是 events, related, freeze, tactics
events = match[0]
tracks = match[2]
# 获取射门事件
# 把 Statsbomb 的坐标从 120 80 转换为 105 68 是方便之后绘图使用
shots = events.loc[events["type_name"] == "Shot"].copy()
x_formula = lambda x: x * 105 / 120
y_formula = lambda x: x * 68 / 80
shots.x = shots.x.apply(x_formula)
shots.y = shots.y.apply(y_formula)
tracks.x = tracks.x.apply(x_formula)
tracks.y = tracks.y.apply(y_formula)
然后过滤掉定位球射门，以及未跟踪守门员的射门以后，还剩下 19174 条射门事件，数据不算大，但可以训练模型了
如何选择特征呢，既然使用 Statsbomb 的数据，不妨找找他在这方面的资料，于是找到了 Statsbomb 发布的这条推特 https://twitter.com/StatsBomb/status/1650847925197471745已经有了答案：
Not all xG is created equal.
StatsBomb’s xG model includes:
- the positioning of the goalkeeper
- the positioning of the surrounding defenders and attackers
- the height of the ball at the moment the shot is struck
结合推特里面的视频，总结出 Statsbomb 的 xG 主要使用以下特征：
其中干扰射门的防守球员是一个不好把握的特征，在这里假设射门时球半径 1 米内的防守球员都属于干扰射门
而射门时球的高度在没有具体的数据情况下是个更难的特征，大致原理为球的高度越高，xG 越低，脚射门比较准，而头球在同样距离的情况下更难把握住。Statsbomb 射门事件关于这一项特征 body_part_name 其中只包含了[‘Right Foot’, ‘Head’, ‘Left Foot’, ‘Other’]，所以仍然需要假设。询问 chatgpt，男子足球运动员平均身高为 1.8 米（感觉偏高？），所以假设头球的高度统一为 1.8，脚下射门为 0.01, 其他可以理解为胸口，大腿等非常规部位，为 1.0
由于特征提取是一项不小的工程，所以在 GitHub 创建了一个库 https://github.com/tanzhijian/football-calculator ，如果查看时代码已经修改了，可以回滚到这篇文章写的日期，也就是 2023-05-14
特征提取完毕以后可以得到一个 (19174, 10) 型状的数据集，开始创建一个神经网络进行训练，由于我并不擅长机器学习，所以随便写了一个先训练着，训练数据集和验证数据集 8:2，然后创建模型：
model = tf.keras.Sequential([
layers.Dense(10, activation="relu", input_shape=(10,)),
layers.Dense(10, activation="relu"),
layers.Dense(1, activation="sigmoid")
])
model.compile(
optimizer='adam',
loss="binary_crossentropy",
metrics=["accuracy"]
)
history = model.fit(
X_train,
y_train,
validation_data=(X_val, y_val),
batch_size=32,
epochs=50,
)
测试数据库使用不败赛季的 832 个射门事件
# 计算精确度，召回率和 f1 分数
report = classification_report(y_test, y_pred)
print(report)
precision recall f1-score support
0 0.92 1.00 0.95 754
1 0.75 0.12 0.20 78
accuracy 0.91 832
macro avg 0.83 0.56 0.58 832
weighted avg 0.90 0.91 0.88 832
分数有点惨，但考虑到数据库大小，推断出的特征，一些乱七八糟的假设，随便设置的神经网络，能有这样也还不错了
接下来计算 xG 并查看
invincible_shots.groupby(["player_name"])["xg"].sum().sort_values(
ascending=False
)[:5].reset_index()
| player_name | xg | |
|---|---|---|
| 0 | Thierry Henry | 15.798578 |
| 1 | Robert Pirès | 6.998034 |
| 2 | Fredrik Ljungberg | 4.917759 |
| 3 | Dennis Bergkamp | 4.257910 |
| 4 | Kolo Habib Touré | 3.186363 |
Statsbomb 数据里面有自带计算完毕的 xG 可以作为标准
invincible_shots.groupby(["player_name"])["shot_statsbomb_xg"].sum().sort_values(
ascending=False
)[:5].reset_index()
| player_name | shot_statsbomb_xg | |
|---|---|---|
| 0 | Thierry Henry | 17.330713 |
| 1 | Robert Pirès | 6.959468 |
| 2 | Fredrik Ljungberg | 5.271573 |
| 3 | Dennis Bergkamp | 4.135871 |
| 4 | Patrick Vieira | 3.469172 |
还是有差异，考虑到上面提到的因素，可以接受
查看一些个别的
invincible_shots[["player_name", "xg", "shot_statsbomb_xg"]].head(10)
| player_name | xg | shot_statsbomb_xg | |
|---|---|---|---|
| 0 | Dennis Bergkamp | 0.153065 | 0.193885 |
| 1 | Thierry Henry | 0.032303 | 0.007914 |
| 2 | Gilberto Aparecido da Silva | 0.102811 | 0.125604 |
| 3 | Paul Butler | 0.085732 | 0.065221 |
| 4 | Sulzeer Jeremiah ''Sol' Campbell | 0.044693 | 0.043912 |
| 5 | Ioan Viorel Ganea | 0.070132 | 0.085242 |
| 6 | Dennis Bergkamp | 0.021920 | 0.018803 |
| 7 | Carl Cort | 0.062670 | 0.051536 |
| 8 | Ioan Viorel Ganea | 0.229663 | 0.256359 |
| 9 | Kenny Miller | 0.044943 | 0.027489 |
暂时可以用，之后时间再来优化了