expected-threat-grids

该数据集包含通过马尔可夫链值迭代从SPADL动作数据计算得出的数据驱动的预期威胁（xT）网格。基于Karun Singh（2018）提出的方法，使用12x8网格和SPADL 105x68米坐标系，通过值迭代计算每个区域开始控球后导致进球的概率。数据集内容包括：以长格式存储的所有网格数据（按比赛和全局）、全局网格CSV文件（dbt种子格式）以及包含计算参数和统计信息的元数据文件。主要数据文件包含以下列：区域X索引（0-11，进攻方向）、区域Y索引（0-7，场地宽度）、预期威胁值以及比赛ID（或'global'表示全局数据）。数据集适用于足球分析领域，特别是预期威胁模型的研究和应用。数据集采用MIT许可，源自StatsBomb和Wyscout的开放数据通过SPADL处理得到。

搜集汇总

数据集介绍

构建方式

在足球分析领域，预期威胁（xT）模型通过马尔可夫链将球场离散化为12×16的网格，共192个单元格。该数据集基于约4900场公开赛事（StatsBomb约3000场、Wyscout约1900场）的事件数据，将原始事件统一转换为SPADL标准格式后，统计各区域间的转移频率与射门频率，再通过价值迭代算法反向传播进球概率，最终为每个单元格赋予一个介于0到1之间的威胁值，精确量化不同起始区域控球转化为进球的概率。

使用方法

用户可通过HuggingFace的datasets库直接加载数据，使用一行代码即可将训练集转换为Pandas DataFrame。典型用法包括按competition_id筛选特定赛事网格，或通过pivot操作将全局网格重塑为12×16矩阵以进行可视化。数据集以Parquet格式存储，支持高效压缩与快速读取。配合官方提供的Soccer Analytics交互式应用，用户可直观探索不同区域的威胁分布，并可与同平台的SPADL/VAEP动作价值数据集及OBSO训练网格联动，构建更完整的足球分析工作流。

背景与挑战

背景概述

足球运动分析领域对空间威胁的量化需求催生了预期威胁（Expected Threat, xT）模型，该模型由Karun Singh于2018年提出，旨在将球场网格化后通过马尔可夫链与价值迭代算法，计算每个区域的控球转化为进球的概率。本数据集由Right! Luxury! Lakehouse足球分析平台构建，整合了StatsBomb开源数据（约3,000场）与Wyscout公开数据集（约1,900场），经SPADL格式统一处理后生成12×16网格（192个单元格），每个单元格覆盖约8.75米×4.25米的球场区域。该数据集的核心研究问题在于为足球战术分析提供静态的空间威胁基准，其影响力体现在为教练组、分析师及数据科学家提供了可复现的威胁量化工具，并催生了VAEP动作价值、OBSO网格等衍生资源，推动了足球分析从描述性统计向预测性模型的范式转变。

当前挑战

数据集面临的核心挑战包括三方面：其一，空间分辨率问题——12×16的粗粒度网格将子区域内的变异性（如同一单元格内边路与中路的差异）平均化，导致微观战术信息丢失；其二，竞争性偏差——全局聚合网格（global）混合了不同联赛的战术风格（如德甲的高位逼抢与意甲的密集防守），使得模型无法反映竞争层面的特异性；其三，静态模型局限——xT值基于全赛季聚合数据计算，无法适应比赛实时状态（比分、时间、人员变化），且仅依赖公开数据源，商业数据集的缺失可能影响威胁表面的完整性与准确性。这些挑战共同制约了模型在动态战术分析与精细化场景中的直接应用。

常用场景

经典使用场景

在足球运动分析领域，Expected Threat (xT) Grids数据集被广泛用于量化球场各区域的进攻威胁程度。该数据集将球场划分为12×16的网格，通过马尔可夫链模型与值迭代算法，为每个网格单元赋予一个介于0到1之间的预期威胁值，反映从该区域发起进攻最终得分的概率。研究者可基于这些威胁网格，评估球员在不同位置的接球或传球决策对进球可能性的贡献，从而深入理解进攻战术的有效性。经典用法包括将全局威胁矩阵可视化，生成热力图以直观展示高威胁区域，或针对特定比赛（如英超、西甲）的威胁网格进行对比分析，揭示不同联赛的战术风格差异。此外，该数据集常与SPADL格式的事件数据结合，用于计算球员或球队的预期威胁贡献值，为量化进攻表现提供标准化基准。

解决学术问题

该数据集解决了足球分析中长期存在的空间威胁量化难题。传统统计指标如射门次数或控球率无法捕捉球场不同区域对进球概率的差异化影响，而xT模型通过马尔可夫链将过渡概率与射门频率整合，首次提供了全场的威胁分布图景。学术研究中，它帮助研究者回答诸如“哪些区域是进攻的高效起点”“防守方应优先保护哪些空间”等关键问题，从而验证战术理论如“高位压迫的数学基础”或“边路传中的威胁模型”。其意义在于将抽象的足球空间价值转化为可计算的数值，为后续的球员表现评估、球队风格分类和比赛结果预测提供了定量工具。这一开创性工作推动了体育分析从描述性统计向预测性建模的转变，影响了包括VAEP（预期进球附加值）在内的多个后续框架。

实际应用

在实际应用中，Expected Threat Grids数据集被职业俱乐部和数据分析平台用于提升战术决策与球员评估的精度。教练组可利用威胁网格识别对手防守体系的薄弱环节，例如发现某区域xT值异常高，从而设计针对性进攻套路。球探与分析师则通过计算球员在高压区域接球或传球前后的xT变化，量化其决策对球队进攻效率的实质贡献，辅助转会评估与合同谈判。此外，该数据集嵌入到实时分析系统中，如Hugging Face上的交互式足球分析应用，允许用户动态查看不同比赛的威胁热点，支持赛前布置与赛后复盘。媒体与转播商也借助这些威胁热力图增强解说内容，向观众直观解释战术价值，提升观赛体验。其实际价值已延伸至训练场景，通过对比球员在训练赛中的xT表现与比赛标准，指导个性化技能提升。

数据集最近研究

最新研究方向

在足球数据分析领域，Expected Threat (xT) 网格数据集正成为评估进攻威胁与战术效率的前沿工具。该数据集基于马尔可夫链和价值迭代算法，将球场划分为12×16的网格，量化每个区域控球转化为进球的概率，为球队进攻模式识别、球员威胁评分及比赛策略优化提供了量化基础。当前研究热点聚焦于将xT网格与球员动作价值（如VAEP评分）及对手防守结构（OBSO网格）相结合，构建多维度战术评估框架，以解析高压逼抢与低防守阵型下的空间利用差异。该数据集的开放性与跨联赛聚合特性，使其在比较不同联赛战术风格、训练深度学习模型预测射门机会以及推动足球分析从经验描述向概率建模转型中发挥关键作用，标志着体育分析领域向精细化、数据驱动决策的重要迈进。