一、小组分工情况
王政龙、郭书彤：数据处理&可视化&博客讲解
马志强：输出结果整理&可视化
段雪宇、刘威：输出结果整理&博客撰写&可视化分析
二、摘要：核心发现概述
本项目基于 Python 对世界杯历史数据（进球、红黄牌、胜率、晋级深度等）的可视化与量化分析，核心发现可概括为赛事规律、制胜逻辑与发展趋势三大维度：
在赛事规律层面，世界杯历经 “进攻主导→防守精细化→攻守平衡” 的战术演变：早期因防守体系不成熟，场均进球超 5 球，1960 年代后随区域防守、盯人体系完善及规则收紧（如背后铲球处罚），进球稳定在 2-3 球区间，红黄牌增长则体现纪律性显著提升；同时，东道主存在明确优势（胜率超 60%，高于整体平均 5 个百分点以上，晋级深度普遍更高），冷门多集中于小组赛（频率约 20%），1980 年代后整体趋稳。
在制胜逻辑层面，冠军球队呈现 “防守为基、控节奏为核” 的共性：场均失球接近 0，不依赖上半场快速领先（半场领先概率约 42%，低于非冠军球队），而是靠战术韧性把控比赛；半场领先是关键预测指标（最终胜率超 80%），纪律性则为战术执行保障，且关键球员以前锋为主（聚焦进球事件，占历史最佳射手榜单 100%）。
在发展趋势层面，世界杯从 “粗放竞技” 向 “精细化、均衡化” 演进：比赛对抗从 “危险犯规” 转向 “合理博弈”，赛事偶然性（冷门）与确定性形成平衡，为后续引入球员俱乐部数据、微观事件数据深化研究奠定了规律基础。
三、引言与方法
3.1 项目背景
世界杯作为全球关注度最高的足球赛事，自 1930 年创办以来已历经近百年发展，积累了海量赛事数据（如比赛结果、球员表现、战术演变等）。但长期以来，对世界杯的分析多停留在定性描述（如战术风格总结、冷门事件复盘），缺乏基于数据的系统量化研究 —— 例如 “防守战术成熟度如何影响场均进球”“东道主优势的具体数据表现” 等关键问题，尚未通过科学的数据挖掘与分析形成明确结论。
随着 Python 等数据分析工具的普及，以及赛事数据采集技术的升级（如微观比赛事件记录、球员多场景数据整合），为世界杯历史数据的深度挖掘提供了可能。在此背景下，开展世界杯数据专项研究项目，既能通过 Python 生成可视化图表（如进球趋势图、红黄牌变化图、胜率对比图），直观呈现赛事发展规律；也能结合数据建模，量化分析 “攻守平衡”“纪律性”“关键球员价值” 等制胜因素，填补世界杯量化研究的空白，同时为后续学术探索（如跨场景数据关联、战术演变因果分析）与实践应用（如球队备战决策、赛事运营优化）提供数据支撑。
3.2 数据处理方法
这个项目的数据处理方法主要包含数据读取、清洗、整合与保存四个核心环节。
首先，通过pandas读取三个原始CSV文件：记录世界杯赛事概况的WorldCups.csv、记录每场比赛详情的WorldCupMatches.csv以及记录球员表现的WorldCupPlayers.csv。
接着进行针对性的数据清洗：对于WorldCups.csv中的观众人数（Attendance）列，先移除数值中的点号分隔符，再将其转换为浮点数类型以确保数值计算的准确性；针对WorldCupMatches.csv中观众人数的缺失值，采用当届世界杯平均观众人数进行填充，并统一转换为浮点数；对于WorldCupPlayers.csv中的事件记录（Event）列，将缺失值填充为空字符串，避免后续分析中出现空值错误。
随后进行数据整合，首先通过年份（Year）字段关联WorldCupMatches和WorldCups数据集，再通过比赛ID（MatchID）和轮次ID（RoundID）将球员数据与上述整合结果进行左连接，形成包含赛事、比赛和球员信息的完整数据集。最后，将处理完成的整合数据保存为integrated_worldcup_data.csv文件，为后续的多维度分析和可视化提供统一、干净的数据源。整个处理过程注重数据类型的一致性、缺失值的合理填充以及多源数据的有效关联，确保了数据的完整性和可用性。
四、主体分析
4.1 宏观趋势分析：世界杯 84 年 “编年史”
4.1.1 赛事规模扩张：参赛球队、场次、总进球数与观众数演变
cup_data = data[['Year', 'QualifiedTeams', 'MatchesPlayed', 'GoalsScored', 'Attendance_cup', 'Country']].drop_duplicates().sort_values('Year')
# 可视化：赛事规模扩张多维度趋势
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))
ax1.plot(cup_data['Year'], cup_data['QualifiedTeams'], marker='o', color='b')
ax1.set_title('参赛球队数量变化')
ax1.set_xlabel('年份')
ax1.set_ylabel('球队数量')
ax1.grid(True)
ax2.plot(cup_data['Year'], cup_data['MatchesPlayed'], marker='s', color='g')
ax2.set_title('比赛场次变化')
ax2.set_xlabel('年份')
ax2.set_ylabel('场次')
ax2.grid(True)
ax3.plot(cup_data['Year'], cup_data['GoalsScored'], marker='^', color='r')
ax3.set_title('总进球数变化')
ax3.set_xlabel('年份')
ax3.set_ylabel('进球数')
ax3.grid(True)
ax4.plot(cup_data['Year'], cup_data['Attendance_cup']/10000, marker='d', color='purple')
ax4.set_title('总观众人数变化（万人）')
ax4.set_xlabel('年份')
ax4.set_ylabel('观众人数（万人）')
ax4.grid(True)
plt.tight_layout()
plt.savefig('赛事规模扩张趋势.png', dpi=300, bbox_inches='tight')
plt.close()
从这四张趋势图可以更细致地拆解各数据的变化：参赛球队数量在 1940 年后经历了阶段性调整，初期在 12-16 支的区间内小幅波动，到 1990 年前后出现明显的扩容节点，从约 16 支直接跃升至 24 支左右，后续又进一步增长至 32 支并进入稳定阶段；对应的比赛场次也随之呈现清晰的阶梯式增长 —— 球队数量每一次扩容，都推动场次从最初的 20 场左右，逐步跃升至 30 场、50 场的区间，最终稳定在 60 场以上。
总进球数的变化则体现出 “规模绑定波动” 的特点：在赛事规模较小的阶段，进球数整体维持在较低基数，且波动幅度相对有限；而随着 1990 年后参赛球队与比赛场次的扩张，进球数不仅整体基数明显抬升，短周期内的波动幅度也同步变大，这既与比赛场次增加直接相关，也暗含了不同阶段赛事战术风格变化的影响。
观众人数的变化更凸显 “扩容驱动爆发” 的特征：在球队数量与比赛场次相对稳定的时期，观众人数的增长节奏较为平缓，始终维持在 200 万人以下的区间；但当 1990 年赛事进入扩容周期后，观众人数随即进入快速增长通道，不仅迅速突破 200 万、300 万的门槛，峰值更是接近 350 万，直观体现了赛事规模扩张对全球关注度与观赛热度的强力拉动。
综合来看，这四类数据的联系与趋势高度统一：参赛球队数量的扩张是整个赛事体系变化的核心驱动，其每一次跃升都会直接带动比赛场次的阶梯式增长，而场次的增加又进一步推高总进球数的整体基数（伴随波动），同时也同步放大了赛事的影响力，最终体现为观众人数的爆发式增长 —— 整体呈现出 “赛事规模扩容→各核心数据同步抬升” 的清晰联动趋势。
4.1.2 冠军格局演变：地理分布与时间聚集特征
winner_data = data[['Year', 'Winner']].drop_duplicates().sort_values('Year') winner_counts = winner_data['Winner'].value_counts()
# 可视化：冠军分布
plt.figure(figsize=(12, 6))
winner_counts.plot(kind='bar', color='skyblue')
plt.title('世界杯冠军分布（1930-2014）')
plt.xlabel('国家')
plt.ylabel('夺冠次数')
plt.xticks(rotation=45)
plt.grid(axis='y')
plt.tight_layout()
plt.savefig('冠军分布.png', dpi=300, bbox_inches='tight')
plt.close()
plt.figure(figsize=(10, 10))
winner_counts.plot(kind='pie', autopct='%1.1f%%', startangle=90)
plt.title('世界杯冠军分布比例（1930-2014）')
plt.ylabel('')
plt.tight_layout()
plt.savefig('冠军分布比例.png', dpi=300, bbox_inches='tight')
plt.close()
plt.figure(figsize=(14, 7))
decade_winners.plot(kind='bar', stacked=True, figsize=(14, 7))
plt.title('世界杯各年代冠军分布（1930-2014）')
plt.xlabel('年代')
plt.ylabel('夺冠次数')
plt.xticks(rotation=0)
plt.legend(title='国家', bbox_to_anchor=(1.05, 1), loc='upper left')
plt.tight_layout()
plt.savefig('冠军年代分布.png', dpi=300, bbox_inches='tight')
plt.close()
从数据看，巴西、意大利、德国（含联邦德国）是世界杯核心传统强队：巴西以 5 次夺冠（占比 25%）居首，意大利 4 次（占比 20%）、德国（含联邦德国）合计 4 次（占比 20%），三者夺冠次数占 1930-2014 年总冠军数的 65%。
地域性差异则表现为 “欧美垄断” 格局 ：冠军完全集中在欧洲与南美 —— 欧洲的意大利、德国、英格兰、法国、西班牙共斩获 11 次冠军，南美巴西、阿根廷、乌拉圭斩获 9 次冠军，其他大洲无球队染指世界杯冠军，体现了欧美足球在赛事中的长期统治地位。
冠军分布在时间维度呈现阶段性 “强队统治” 特征：
1930-1950 年代：南美与意大利主导，巴西、意大利各 2 次夺冠，乌拉圭 1 次，形成早期 “南美 + 意大利” 的竞争格局；1970-1990 年代：德国（联邦德国）与阿根廷崛起，联邦德国 3 次夺冠、阿根廷 2 次，传统强队巴西、意大利也各有 1 次夺冠，赛事进入 “多强竞争” 阶段；2000 年后：新势力与传统队并存，法国、西班牙各 1 次夺冠，巴西、意大利仍各有 1 次夺冠，传统强队的统治力略有分散，但核心地位未动摇。
世界杯传统强队以巴西、意大利、德国为核心，冠军分布既呈现 “欧美地域垄断” 的特点，也在时间维度表现出 “阶段性强队统治” 的规律 —— 欧美长期主导赛事冠军，而不同年代会形成特定强队的集中夺冠周期，同时传统强队的核心地位在不同阶段均保持稳定。
4.1.3 赛事 “攻击性”：场均进球数与战术风格转变
cup_data['AvgGoals'] = cup_data['GoalsScored'] / cup_data['MatchesPlayed']
# 可视化：场均进球数变化
plt.figure(figsize=(14, 7))
plt.plot(cup_data['Year'], cup_data['AvgGoals'], marker='o', linestyle='-', color='red')
plt.title('世界杯场均进球数变化（1930-2014）')
plt.xlabel('年份')
plt.ylabel('场均进球数')
plt.grid(True)
plt.tight_layout()
plt.savefig('场均进球数变化.png', dpi=300, bbox_inches='tight')
plt.close()
def get_tactical_era(year):
if year <= 1954: return '早期进攻型足球'
elif year <= 1974: return '防守反击兴起'
elif year <= 1998: return '全能足球时代'
else: return '现代防守体系'
cup_data['TacticalEra'] = cup_data['Year'].apply(get_tactical_era)
era_avg_goals = cup_data.groupby('TacticalEra')['AvgGoals'].mean()
print("各战术时代场均进球数：")
print(era_avg_goals.to_string())
# 可视化：各战术时代场均进球数
plt.figure(figsize=(12, 6))
era_avg_goals.plot(kind='bar', color='orange')
plt.title('世界杯各战术时代场均进球数')
plt.xlabel('战术时代')
plt.ylabel('场均进球数')
plt.xticks(rotation=45)
plt.grid(axis='y')
plt.tight_layout()
plt.savefig('战术演变分析.png', dpi=300, bbox_inches='tight')
plt.close()
从这两张图的数据脉络中，我们能清晰梳理出世界杯足球战术从 “进攻至上” 到 “防守精细化 + 战术平衡” 的演变轨迹。
早期世界杯（1930 年代至 1950 年代）的战术逻辑极为简单，彼时足球尚未形成系统的防守体系，球队更依赖前锋的个人能力与简单的进攻配合得分，这直接体现为折线图中偏高的场均进球数 ——1954 年甚至突破 5 球，柱状图里 “早期进攻足球” 的场均 2.5 球，其实已是这一阶段相对温和的表现。
而 1970 年代前后 “早期全攻全守” 战术的出现，一度打破了这一节奏：全攻全守以球员的全面性为核心，攻防转换的速度与覆盖范围大幅提升，短暂将场均进球推至 4 球以上，但这一战术对球员能力要求极高，并未成为长期主流。
真正的转折出现在 1980 年代之后：随着区域防守、盯人体系的成熟，以及 “控制防守体系”“防守反击体系” 的普及，足球战术开始向 “攻守平衡” 倾斜。球队不再盲目追求进攻，而是通过严密的防守布局压缩对手空间，同时以高效的反击或中场控制把控比赛节奏 —— 这直接反映在数据上：折线图中 1960 年后场均进球数从 3.5 以上骤降至 2-3 球区间，并长期稳定于此；柱状图里 “控制防守体系”“防守反击体系” 的场均进球回落至 2-3 球，正是防守战术精细化、战术逻辑更趋理性的结果。
这种变化的本质，是足球从 “单一维度的进攻博弈”，进化为 “攻防战术、球员分工、空间利用的综合较量”—— 防守不再是进攻的附属，而是成为决定比赛结果的核心环节之一，最终让世界杯的场均进球数告别了早期的 “高波动”，进入了更稳定的 “低进球、高战术含量” 阶段。
4.2 中观球队分析：绿茵场的博弈逻辑
4.2.1 主场优势验证：东道主胜率与晋级深度量化
match_data = data[['Year', 'Country', 'Home Team Name', 'Away Team Name', 'Home Team Goals', 'Away Team Goals', 'Stage']].drop_duplicates()
# 区分东道主球队
match_data['Host Home'] = match_data.apply(lambda x: 1 if x['Home Team Name'] == x['Country'] else 0, axis=1)
match_data['Host Away'] = match_data.apply(lambda x: 1 if x['Away Team Name'] == x['Country'] else 0, axis=1)
match_data['Host'] = match_data['Host Home'] + match_data['Host Away']
# 计算比赛结果
match_data['Result'] = match_data.apply(lambda x: 'H' if x['Home Team Goals'] > x['Away Team Goals'] else 'D' if x['Home Team Goals'] == x['Away Team Goals'] else 'A', axis=1)
# 东道主球队胜率
host_matches = match_data[match_data['Host'] == 1]
host_wins = host_matches[(host_matches['Result'] == 'H') & (host_matches['Host Home'] == 1) |
(host_matches['Result'] == 'A') & (host_matches['Host Away'] == 1)]
host_win_rate = len(host_wins) / len(host_matches) * 100 if len(host_matches) > 0 else 0
# 所有球队主场胜率
home_matches = match_data[match_data['Host Home'] == 0]
home_wins = home_matches[home_matches['Result'] == 'H']
home_win_rate = len(home_wins) / len(home_matches) * 100 if len(home_matches) > 0 else 0
print(f"东道主球队胜率: {host_win_rate:.2f}%")
print(f"所有球队主场胜率: {home_win_rate:.2f}%")
# 可视化：主场优势对比
plt.figure(figsize=(10, 6))
plt.bar(['东道主', '所有球队'], [host_win_rate, home_win_rate], color=['gold', 'lightblue'])
plt.title('世界杯主场优势对比')
plt.ylabel('胜率 (%)')
plt.grid(axis='y')
plt.tight_layout()
plt.savefig('主场优势对比.png', dpi=300, bbox_inches='tight')
plt.close()
# 定义比赛阶段权重（用于计算晋级深度）
stage_weights = {
'Group 1': 1, 'Group 2': 1, 'Group 3': 1, 'Group 4': 1, 'Group 5': 1, 'Group 6': 1, 'Group 7': 1, 'Group 8': 1,
'First round': 1,
'Second Group Stage': 2,
'Round of 16': 3,
'Quarter-finals': 4,
'Semi-finals': 5,
'Third Place': 6,
'Final': 7
}
# 计算东道主球队的晋级深度
host_matches['StageWeight'] = host_matches['Stage'].map(stage_weights).fillna(1)
host_depth = host_matches.groupby('Year')['StageWeight'].max().reset_index(name='MaxStageWeight')
# 获取每年的东道主
host_countries = match_data[['Year', 'Country']].drop_duplicates()
host_depth = host_depth.merge(host_countries, on='Year')
print("东道主球队晋级深度：")
print(host_depth[['Year', 'Country', 'MaxStageWeight']].sort_values('Year').to_string(index=False))
# 可视化：东道主球队晋级深度
plt.figure(figsize=(14, 7))
plt.plot(host_depth['Year'], host_depth['MaxStageWeight'], marker='o', color='gold', linestyle='-')
plt.title('东道主球队晋级深度变化（1930-2014）')
plt.xlabel('年份')
plt.ylabel('晋级深度（权重值）')
plt.grid(True)
plt.tight_layout()
plt.savefig('东道主晋级深度.png', dpi=300, bbox_inches='tight')
plt.close()
从这两张图的数据可以清晰量化东道主的显著优势：
首先看胜率维度，柱状图显示东道主的胜率超过 60%，而所有球队的平均胜率仅在 55% 左右 —— 东道主胜率明显高于整体水平，这是主场优势（包括场地熟悉度、球迷支持、赛程适配等）直接作用的结果。
再看晋级深度，折线图（1930-2014）中东道主的晋级深度波动较大，但整体始终高于普通球队的平均水平：即使是低谷期（如部分年份跌至 1 轮），多数时候能稳定在 4-7 轮区间，尤其是多次达到 7 轮（即打进决赛 / 夺冠），远高于非东道主球队的常规晋级表现。
综合来看，东道主在胜率（高出约 5 个百分点以上）和晋级深度（轮次显著更高）上都存在明确且显著的优势，主场因素对世界杯战绩的加持效应非常明显。
4.2.2 “冠军相” 特征挖掘：冠军球队与非冠军球队关键指标对比
# 获取冠军球队列表
champion_teams = data[['Year', 'Winner']].drop_duplicates()
# 合并比赛数据和冠军信息
match_champion_data = match_data.merge(champion_teams, on='Year', how='left')
# 标记冠军球队
match_champion_data['Is Champion'] = match_champion_data.apply(lambda x: 1 if x['Home Team Name'] == x['Winner'] or x['Away Team Name'] == x['Winner'] else 0, axis=1)
# 分离冠军球队和非冠军球队的比赛
champion_matches = match_champion_data[match_champion_data['Is Champion'] == 1]
non_champion_matches = match_champion_data[match_champion_data['Is Champion'] == 0]
# 计算冠军球队的场均进球和失球
champion_home_goals = champion_matches[champion_matches['Home Team Name'] == champion_matches['Winner']]['Home Team Goals'].mean()
champion_away_goals = champion_matches[champion_matches['Away Team Name'] == champion_matches['Winner']]['Away Team Goals'].mean()
champion_avg_goals = (champion_home_goals + champion_away_goals) / 2
champion_home_concede = champion_matches[champion_matches['Home Team Name'] == champion_matches['Winner']]['Away Team Goals'].mean()
champion_away_concede = champion_matches[champion_matches['Away Team Name'] == champion_matches['Winner']]['Home Team Goals'].mean()
champion_avg_concede = (champion_home_concede + champion_away_concede) / 2
# 计算非冠军球队的场均进球和失球
non_champion_home_goals = non_champion_matches['Home Team Goals'].mean()
non_champion_away_goals = non_champion_matches['Away Team Goals'].mean()
non_champion_avg_goals = (non_champion_home_goals + non_champion_away_goals) / 2
non_champion_home_concede = non_champion_matches['Away Team Goals'].mean()
non_champion_away_concede = non_champion_matches['Home Team Goals'].mean()
non_champion_avg_concede = (non_champion_home_concede + non_champion_away_concede) / 2
# 新增：半场领先概率
print("\n冠军球队与非冠军球队半场领先概率：")
# 加载包含半场数据的比赛信息
half_data = data[['Year', 'Home Team Name', 'Away Team Name', 'Half-time Home Goals', 'Half-time Away Goals', 'Home Team Goals', 'Away Team Goals']].drop_duplicates()
# 合并冠军信息
half_data = half_data.merge(champion_teams, on='Year', how='left')
half_data['Is Champion Home'] = half_data.apply(lambda x: 1 if x['Home Team Name'] == x['Winner'] else 0, axis=1)
half_data['Is Champion Away'] = half_data.apply(lambda x: 1 if x['Away Team Name'] == x['Winner'] else 0, axis=1)
half_data['Is Champion'] = half_data['Is Champion Home'] + half_data['Is Champion Away']
# 计算半场领先概率
champion_half_leading = half_data[half_data['Is Champion'] == 1]
champion_leading_count = len(champion_half_leading[(champion_half_leading['Half-time Home Goals'] > champion_half_leading['Half-time Away Goals']) & (champion_half_leading['Is Champion Home'] == 1) |
(champion_half_leading['Half-time Away Goals'] > champion_half_leading['Half-time Home Goals']) & (champion_half_leading['Is Champion Away'] == 1)])
champion_leading_rate = champion_leading_count / len(champion_half_leading) * 100 if len(champion_half_leading) > 0 else 0
non_champion_half_leading = half_data[half_data['Is Champion'] == 0]
non_champion_leading_count = len(non_champion_half_leading[non_champion_half_leading['Half-time Home Goals'] != non_champion_half_leading['Half-time Away Goals']])
non_champion_leading_rate = non_champion_leading_count / len(non_champion_half_leading) * 100 if len(non_champion_half_leading) > 0 else 0
print(f"冠军球队半场领先概率: {champion_leading_rate:.2f}%")
print(f"非冠军球队半场领先概率: {non_champion_leading_rate:.2f}%")
# 整合所有冠军特征
features = ['场均进球', '场均失球', '半场领先概率']
champion_values = [champion_avg_goals, champion_avg_concede, champion_leading_rate]
non_champion_values = [non_champion_avg_goals, non_champion_avg_concede, non_champion_leading_rate]
# 可视化：冠军球队特征对比（更新版）
x = np.arange(len(features))
width = 0.35
plt.figure(figsize=(12, 6))
plt.bar(x - width/2, champion_values, width, label='冠军球队', color='gold')
plt.bar(x + width/2, non_champion_values, width, label='非冠军球队', color='lightblue')
plt.title('世界杯冠军球队与非冠军球队特征对比')
plt.ylabel('数值')
plt.xticks(x, features)
plt.legend()
plt.grid(axis='y')
plt.tight_layout()
plt.savefig('冠军球队特征对比.png', dpi=300, bbox_inches='tight')
plt.close()
从这张对比图可以清晰看出，世界杯冠军球队在核心指标上呈现出 “攻守极度均衡 + 比赛掌控力强” 的共性特征：
首先看攻防两端的稳定性：冠军球队的场均进球与非冠军球队差距不大，但场均失球数极低（几乎接近 0），这说明3 —— 低失球意味着他们能最大限度减少失误、压缩对手得分空间，这是淘汰赛制下走得更远的核心保障。
更关键的是半场领先概率：冠军球队的这一指标（约 42%）远低于非冠军球队（超 55%），但结合低失球来看，这恰恰体现了冠军队的 “比赛掌控力”：他们未必追求上半场快速领先，而是更擅长通过稳定的战术执行（尤其是防守端的韧性）把控比赛节奏，在中后期通过高效攻防转换锁定胜局，而非依赖上半场的 “冲劲”。
总结来说，世界杯冠军球队的共性是：以 “极致防守（低失球）” 为根基，不盲目追求上半场领先，而是通过稳定的战术节奏掌控比赛，实现攻防两端的高效平衡。
4.2.3 强弱对话模式：冷门频率变化与赛事阶段关联
# 定义强队（多次夺冠或成绩稳定的球队）
strong_teams = ['Brazil', 'Germany', 'Italy', 'Argentina', 'France', 'England', 'Spain', 'Uruguay']
# 标记强队和弱队
match_data['Strong Home'] = match_data['Home Team Name'].isin(strong_teams).astype(int)
match_data['Strong Away'] = match_data['Away Team Name'].isin(strong_teams).astype(int)
# 定义强弱对话
match_data['Strong Weak'] = match_data.apply(lambda x: 1 if (x['Strong Home'] == 1 and x['Strong Away'] == 0) or (x['Strong Home'] == 0 and x['Strong Away'] == 1) else 0, axis=1)
# 定义冷门（弱队战胜强队）
match_data['Upset'] = match_data.apply(lambda x: 1 if (x['Strong Weak'] == 1 and
((x['Strong Home'] == 1 and x['Result'] == 'A') or
(x['Strong Away'] == 1 and x['Result'] == 'H'))) else 0, axis=1)
# 按年份计算冷门频率
upset_by_year = match_data[match_data['Strong Weak'] == 1].groupby('Year')['Upset'].mean().reset_index()
upset_by_year['Upset Rate'] = upset_by_year['Upset'] * 100
# 可视化：冷门频率变化
plt.figure(figsize=(14, 7))
plt.plot(upset_by_year['Year'], upset_by_year['Upset Rate'], marker='o', linestyle='-', color='orange')
plt.title('世界杯强弱对话冷门频率变化（1930-2014）')
plt.xlabel('年份')
plt.ylabel('冷门频率 (%)')
plt.grid(True)
plt.tight_layout()
plt.savefig('冷门频率变化.png', dpi=300, bbox_inches='tight')
plt.close()
从折线图（1930-2014）能看到，冷门频率整体呈现波动中下降、后期趋于稳定的趋势：早期（1930-1970 年代）冷门频率波动极大（最高超 40%），但 1980 年代后逐渐回落，2000 年后基本稳定在 20% 左右。这一变化和足球战术、球队实力差距的缩小有关 —— 现代足球的战术成熟度、球队竞技水平的均衡性提升，让 “弱队爆冷” 的概率逐渐稳定。
# 区分小组赛和淘汰赛
match_data['MatchType'] = match_data['Stage'].apply(lambda x: '小组赛' if ('Group' in x or 'First round' in x) else '淘汰赛')
# 计算不同阶段的冷门频率
upset_by_stage = match_data[match_data['Strong Weak'] == 1].groupby('MatchType')['Upset'].mean().reset_index()
upset_by_stage['Upset Rate'] = upset_by_stage['Upset'] * 100
print(upset_by_stage.to_string(index=False))
# 可视化：不同阶段的冷门频率
plt.figure(figsize=(10, 6))
plt.bar(upset_by_stage['MatchType'], upset_by_stage['Upset Rate'], color=['green', 'red'])
plt.title('世界杯不同阶段的冷门频率')
plt.ylabel('冷门频率 (%)')
plt.grid(axis='y')
plt.tight_layout()
plt.savefig('不同阶段冷门频率.png', dpi=300, bbox_inches='tight')
plt.close()
从柱状图能明确：冷门更容易发生在小组赛。小组赛的冷门频率（约 20%）显著高于淘汰赛（虽图中未标具体数值，但红色柱体占比远低于小组赛的绿色柱体）。原因在于：小组赛是多轮循环赛，弱队有更多战术尝试空间（比如针对性防守、拼体能）；而淘汰赛是单场决胜，强队会更谨慎地控制比赛节奏、减少失误，弱队的爆冷容错率更低
4.3 微观事件分析：球员与关键时刻影响
4.3.1 关键球员画像：位置分布与核心事件关联
# 提取球员进球数据
player_data = data[['Player Name', 'Team Initials', 'Year', 'Event', 'Position']].drop_duplicates()
# 统计进球数
player_data['Goals'] = player_data['Event'].str.count('G').fillna(0)
# 统计黄牌数
player_data['Yellow Cards'] = player_data['Event'].str.count('Y').fillna(0)
# 统计红牌数
player_data['Red Cards'] = player_data['Event'].str.count('R').fillna(0)
# 按球员汇总
player_stats = player_data.groupby('Player Name').agg({
'Goals': 'sum',
'Yellow Cards': 'sum',
'Red Cards': 'sum',
'Team Initials': lambda x: list(x.unique()),
'Year': lambda x: list(x.unique()),
'Position': lambda x: list(x.unique())
}).reset_index()
# 历史最佳射手
top_scorers = player_stats.sort_values('Goals', ascending=False).head(10)
print("历史最佳射手 Top 10:")
print(top_scorers[['Player Name', 'Goals', 'Team Initials']].to_string(index=False))
# 可视化：历史最佳射手
plt.figure(figsize=(12, 6))
plt.bar(top_scorers['Player Name'], top_scorers['Goals'], color='red')
plt.title('世界杯历史最佳射手 Top 10（1930-2014）')
plt.xlabel('球员')
plt.ylabel('进球数')
plt.xticks(rotation=45, ha='right')
plt.grid(axis='y')
plt.tight_layout()
plt.savefig('历史最佳射手.png', dpi=300, bbox_inches='tight')
plt.close()
图中体现了进球是定义关键球员的核心事件—— 榜单中的球员（如罗纳尔多、克洛泽等）均以高进球数成为世界杯标志性人物，他们是球队进攻端的核心，也是比赛胜负的直接影响者。
# 简化位置
def simplify_position(pos):
if 'GK' in pos: return '守门员'
elif 'D' in pos or 'C' in pos: return '后卫'
elif 'M' in pos: return '中场'
elif 'F' in pos or '' in pos or 'FW' in pos: return '前锋'
else: return '其他'
# 处理位置数据
player_data['SimplePosition'] = player_data['Position'].fillna('').apply(simplify_position)
# 统计不同位置的进球贡献
position_goals = player_data.groupby('SimplePosition')['Goals'].sum().reset_index()
position_players = player_data.groupby('SimplePosition')['Player Name'].nunique().reset_index(name='PlayerCount')
position_stats = position_goals.merge(position_players, on='SimplePosition')
position_stats['GoalsPerPlayer'] = position_stats['Goals'] / position_stats['PlayerCount']
print("不同位置的进球贡献：")
print(position_stats.to_string(index=False))
# 可视化：不同位置的进球贡献
plt.figure(figsize=(12, 6))
plt.bar(position_stats['SimplePosition'], position_stats['Goals'], color='blue')
plt.title('世界杯不同位置的进球贡献（1930-2014）')
plt.xlabel('位置')
plt.ylabel('总进球数')
plt.grid(axis='y')
plt.tight_layout()
plt.savefig('球员位置进球贡献.png', dpi=300, bbox_inches='tight')
plt.close()
图中显示：前锋是关键球员的主要位置。前锋的总进球数远超后卫（守门员无进球），说明进攻端的前锋是进球事件的核心承担者，而历史最佳射手榜单也全部由前锋（或客串前锋的攻击型球员）占据。这一规律的逻辑是：世界杯的胜负高度依赖进球，而前锋是球队战术中专门负责得分的角色，自然更容易成为影响比赛的关键球员。
4.3.2 红黄牌趋势：规则修改对比赛纪律性的影响
# 按年份汇总红黄牌数据
year_card_data = player_data.groupby('Year').agg({
'Yellow Cards': 'sum',
'Red Cards': 'sum'
}).reset_index()
# 可视化：红黄牌数量变化
plt.figure(figsize=(14, 7))
plt.plot(year_card_data['Year'], year_card_data['Yellow Cards'], marker='o', label='黄牌', color='yellow', linestyle='-')
plt.plot(year_card_data['Year'], year_card_data['Red Cards'], marker='^', label='红牌', color='red', linestyle='--')
plt.title('世界杯红黄牌数量变化（1930-2014）')
plt.xlabel('年份')
plt.ylabel('数量')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.savefig('红黄牌数量变化.png', dpi=300, bbox_inches='tight')
plt.close()
从这张红黄牌数量变化图可以清晰看到，世界杯的纪律尺度与比赛风格，始终与规则调整紧密绑定。1930 至 1960 年代，红黄牌数量长期维持在极低水平 —— 这并非比赛 “更干净”，而是当时规则对违规动作的界定模糊、判罚尺度宽松，危险动作（如背后铲球）常被默许，比赛虽激烈却缺乏明确的纪律约束。
1960 年代后，随着国际足联逐步收紧纪律规则（典型如限制背后铲球的处罚条款落地），黄牌数量开始陡峭上升，2000 年前后甚至突破 350 张；红牌数量也同步缓慢增长，但幅度远小于黄牌。这种变化直接体现了规则修改的双重影响：一方面，更严格的判罚让球员的违规行为被更精准地记录，比赛的纪律性显著提升，危险动作大幅减少；另一方面，红牌增长的克制，说明规则并未扼杀比赛的对抗性 —— 只是将 “激烈” 从 “危险犯规” 引导至 “合理身体对抗”，让比赛在保持强度的同时，降低了伤病风险，既让世界杯的纪律性走向规范，也让比赛的激烈程度实现了 “安全范围内的对抗升级”，最终平衡了竞技性与赛事健康性。
4.3.3 早期进球价值：半场领先与最终胜率的相关性
# 合并红黄牌数据与比赛阶段
player_match_data = data[['Player Name', 'Year', 'MatchID', 'Stage', 'Event', 'Position']].drop_duplicates()
player_match_data['Yellow Cards'] = player_match_data['Event'].str.count('Y').fillna(0)
player_match_data['Red Cards'] = player_match_data['Event'].str.count('R').fillna(0)
# 计算不同阶段的红黄牌数量
stage_cards = player_match_data.groupby('Stage')[['Yellow Cards', 'Red Cards']].sum().reset_index()
stage_cards['Total Cards'] = stage_cards['Yellow Cards'] + stage_cards['Red Cards']
stage_cards = stage_cards.sort_values('Total Cards', ascending=False)
print("不同阶段的红黄牌数量（前10）：")
print(stage_cards[['Stage', 'Yellow Cards', 'Red Cards', 'Total Cards']].head(10).to_string(index=False))
# 新增：规则变化对红黄牌的影响
print("\n规则变化对红黄牌的影响：")
# 标记重要规则变化年份
rule_changes = {
1970: '红黄牌制度引入',
1990: '背后铲球禁止',
1998: '累计黄牌停赛制度完善',
2002: 'VAR技术测试（非正式）'
}
# 计算规则变化前后的红黄牌变化率
for year, desc in rule_changes.items():
if year > 1930 and year < 2014:
before = year_card_data[year_card_data['Year'] < year][['Yellow Cards', 'Red Cards']].mean()
after = year_card_data[year_card_data['Year'] >= year][['Yellow Cards', 'Red Cards']].mean()
change_rate = ((after - before) / before * 100).round(2)
print(f"{desc} ({year}年) 后：")
print(f" 黄牌变化率: {change_rate['Yellow Cards']}%")
print(f" 红牌变化率: {change_rate['Red Cards']}%")
# 3. 早期进球影响
print("\n3. 早期进球影响")
# 提取半场比分数据
half_time_data = data[['Year', 'Home Team Name', 'Away Team Name', 'Half-time Home Goals', 'Half-time Away Goals', 'Home Team Goals', 'Away Team Goals']].drop_duplicates()
# 计算半场结果和全场结果
half_time_data['Half-time Result'] = half_time_data.apply(lambda x: 'H' if x['Half-time Home Goals'] > x['Half-time Away Goals'] else 'D' if x['Half-time Home Goals'] == x['Half-time Away Goals'] else 'A', axis=1)
half_time_data['Full-time Result'] = half_time_data.apply(lambda x: 'H' if x['Home Team Goals'] > x['Away Team Goals'] else 'D' if x['Home Team Goals'] == x['Away Team Goals'] else 'A', axis=1)
# 计算半场领先的最终胜率
half_time_leading = half_time_data[half_time_data['Half-time Result'] != 'D']
half_time_leading_win = half_time_leading[half_time_leading['Half-time Result'] == half_time_leading['Full-time Result']]
leading_win_rate = len(half_time_leading_win) / len(half_time_leading) * 100
print(f"半场领先球队最终胜率: {leading_win_rate:.2f}%")
# 可视化：早期进球影响
result_counts = pd.crosstab(half_time_data['Half-time Result'], half_time_data['Full-time Result'])
fig, ax = plt.subplots(figsize=(12, 6))
result_counts.plot(kind='bar', stacked=True, ax=ax)
plt.title('世界杯半场比分对最终结果的影响')
plt.xlabel('半场结果')
plt.ylabel('比赛数量')
plt.xticks(rotation=0)
plt.legend(title='最终结果')
plt.grid(axis='y')
plt.tight_layout()
plt.savefig('早期进球影响.png', dpi=300, bbox_inches='tight')
plt.close()
从这张图的半场结果与最终结果对应关系可以看出：
当半场结果为 “H（半场领先）” 时，对应的最终结果中 “绿色区块（最终获胜）” 占比极高（几乎是该组别的绝大部分），结合数据体量可推断，半场领先的球队最终胜率非常高（大概率超过 80%）。
这一数据直接说明，半场领先是预测比赛结果的关键指标：世界杯比赛中，半场建立优势的球队往往能凭借节奏把控、心理优势或战术调整巩固领先局面，最终拿下比赛的概率远高于半场平局或落后的球队。可以说，半场比分的领先情况，是判断比赛走向的核心参考之一。
4.3.4 早期进球价值:不同年代早期进球的影响
# 计算半场领先与最终获胜的相关性
half_time_data['HalfLeading'] = half_time_data['Half-time Result'] != 'D'
half_time_data['FullWin'] = half_time_data['Half-time Result'] == half_time_data['Full-time Result']
# 计算相关系数
correlation = half_time_data[['HalfLeading', 'FullWin']].corr().iloc[0, 1]
print(f"半场领先与最终获胜的相关系数: {correlation:.4f}")
# 不同年代的早期进球影响
half_time_data['Decade'] = (half_time_data['Year'] // 10) * 10
decade_leading = half_time_data.groupby('Decade').apply(lambda x:
len(x[x['HalfLeading'] & x['FullWin']]) / len(x[x['HalfLeading']]) * 100 if len(x[x['HalfLeading']]) > 0 else 0).reset_index(name='WinRate')
print("不同年代的早期进球影响：")
print(decade_leading.to_string(index=False))
# 可视化：不同年代的早期进球影响
plt.figure(figsize=(14, 7))
plt.plot(decade_leading['Decade'], decade_leading['WinRate'], marker='o', color='purple', linestyle='-')
plt.title('不同年代早期进球的影响（1930-2014）')
plt.xlabel('年代')
plt.ylabel('半场领先最终获胜率 (%)')
plt.grid(True)
plt.tight_layout()
plt.savefig('年代早期进球影响.png', dpi=300, bbox_inches='tight')
plt.close()
从这张“不同年代早期进球的影响”图能清晰看到，1930-2014年间，世界杯“半场领先最终获胜率”并非一成不变，而是随年代呈现明显的阶段性波动特征。1930到1960年代，这一获胜率从约79.5%缓慢升至83.5%，说明早期足球防守体系尚未成熟，半场建立的领先优势更容易延续到终场，“早期进球锁定胜局”的逻辑相对稳定。 到了1970-1980年代，获胜率从80.5%下滑至75.5%，这背后是全攻全守战术的普及与进攻规则的优化——落后球队的反击效率提升，让“半场领先被逆转”的概率显著增加，早期进球的“定局作用”开始减弱。而1990-2010年代的波动幅度进一步扩大：先骤升至84%，又暴跌至74%，再飙升至近86%，这种剧烈变化则反映了现代足球战术的多元化——防守精细化与进攻战术创新的交替流行，让“半场领先”的稳定性大幅降低，比赛后期的战术调整、对抗强度对结果的影响权重越来越高。 整体来看，“半场领先”对最终获胜的影响，始终随世界杯战术体系的演变与规则调整而变化，现代足球中“半场优势”已不再是绝对的胜势，比赛的后期走势反而成为更关键的胜负变量。
五、结论
5.1 世界杯历史发展的核心特点
世界杯的百年发展，本质是一场 “从粗放竞技到精细化战术、从单一维度比拼到综合能力较量” 的全面进化，核心特点贯穿于赛事数据与赛场实践的每一处细节。从战术层面看，世界杯清晰走过了 “进攻至上 — 全攻全守尝试 — 防守精细化 + 攻守平衡” 的演变路径：早期因防守体系缺失，场均进球数居高不下且波动极大，1960 年代后随着区域防守、盯人体系成熟及规则对危险动作的约束，场均进球回落至 2-3 球的稳定区间，红黄牌数量的增长则同步体现了比赛纪律性的提升，让 “激烈对抗” 从危险犯规转向合理博弈，实现了竞技性与安全性的平衡。从球队表现来看，东道主的主场优势始终显著，胜率长期高于整体平均水平，晋级深度也普遍优于非东道主球队，成为赛事格局中不可忽视的变量；而冠军球队则形成了鲜明的共性 —— 以极致防守（极低场均失球）为根基，不盲目追求上半场快速领先，而是凭借超强的比赛掌控力把控节奏，实现攻防两端的高效平衡，而非单纯依赖进攻火力。
从赛事偶然性与确定性的平衡来看，世界杯的冷门频率呈现 “早期波动大、后期趋稳” 的特征，1980 年代后冷门概率稳定在 20% 左右，且明确集中在小组赛阶段 —— 小组赛的多轮循环制给了弱队更多战术尝试空间，而淘汰赛单场决胜的属性让强队更谨慎，容错率降低，体现了赛事赛制与冷门发生的紧密关联。从球员价值来看，关键球员的核心作用始终聚焦于进球事件，前锋作为进球的主要承担者，成为历届世界杯标志性人物的主流群体，而红黄牌数据的变化的则从侧面印证，球员的纪律性已成为球队能否走得更远的重要辅助因素。此外，半场领先的高胜率（大概率超 80%），则凸显了比赛节奏把控的重要性，成为预测比赛结果的核心指标，也从侧面反映出世界杯赛事的 “优势累积效应”—— 早期建立的优势更容易通过战术调整和心理压制转化为最终胜利。
整体而言，世界杯的历史发展，是足球运动从 “个人能力主导、战术简单粗放” 向 “战术体系化、对抗合理化、竞争均衡化” 演进的缩影，既保留了冷门带来的偶然性与观赏性，也通过规则完善、战术升级，让赛事的专业性、竞技性不断提升，最终成为兼具体育竞技价值与全球文化影响力的顶级赛事。
5.2 比赛制胜因素的关键结论
综合世界杯的战术演变、数据规律与球队表现，比赛制胜的核心逻辑已十分清晰：攻守平衡是根基，其中极致防守的优先级远高于单纯的进攻火力 —— 从冠军球队的低场均失球，到 1960 年代后战术向防守精细化的转向，都印证了稳固的防守是淘汰赛走得更远的基础，球队无需追求狂轰滥炸的进球，只需在防守端压缩对手空间，再通过高效的攻防转换把控节奏即可掌握主动。
同时，比赛节奏把控能力直接决定胜负走向，半场领先优势作为最终胜率超 80% 的关键指标，既体现了优势局面下的巩固能力，也考验着劣势时的战术调整韧性 —— 球队不必盲目追求上半场的快速领先，但必须具备在不同局面下适配战术的弹性。而纪律性则是战术执行的隐形保障，规则对危险动作的约束让对抗转向 “合理博弈”，红黄牌数据的变化说明，纪律松散的球队难以稳定贯彻战术，自然无法在高强度赛事中持续制胜。
此外，赛制适配性与主场优势也不可忽视：东道主凭借更高胜率与晋级深度、小组赛因多轮循环制存在更多冷门空间，都说明场地熟悉度、赛程节奏会影响比赛结果；而关键球员的核心作用虽集中于前锋的进球事件，但最终制胜始终依赖团队协作，而非单一球员的 “个人英雄主义”。
六、未来展望
在数据维度上，现有分析多依赖世界杯赛事本身的基础结果数据（如比赛胜负、进球失球数），未来可通过 Python 的数据爬取与清洗技术，引入更多元的关联数据：一方面，补充球员俱乐部赛事数据（如联赛进球效率、欧冠防守成功率）与微观比赛事件数据（如传球成功率、禁区内触球次数、定位球转化率），比如用 Python 生成球员 “俱乐部表现 - 世界杯表现” 的对比折线图，或用热力图呈现冠军球队与非冠军球队的禁区防守覆盖差异，让 “攻守平衡”“关键球员价值” 等结论从定性描述转向定量支撑；另一方面，纳入外部环境数据（如主场球迷声浪分贝、比赛场地气候、球员伤病历史），通过 Python 的相关性分析，量化 “球迷声浪每提升 10 分贝是否让东道主半场领先概率增加 5%”，进一步拆解主场优势的核心影响因素。
在分析深度上，现有研究多停留在 “趋势描述”（如冷门集中在小组赛、半场领先胜率高），未来可借助 Python 的机器学习与统计模型实现突破：一是构建多特征比赛预测模型，将 “球员俱乐部状态”“微观事件数据”“场地条件” 等作为输入特征，用随机森林、梯度提升树等算法输出球队获胜概率，同时通过 SHAP 值分析明确 “关键前锋的俱乐部进球效率是否对预测结果贡献 25%”；二是运用因果归因模型（如双重差分模型），以 “1970 年背后铲球规则修改” 为节点，对比规则前后 “场均防守动作”“进球数” 的变化，量化规则修改对战术演变的具体影响，避免仅停留在 “时间相关性” 的表面结论；三是针对冷门事件，用逻辑回归模型拆解 “弱队防守强度提升”“强队关键球员失误” 等因素的贡献度，明确 “弱队禁区抢断次数超平均水平 20% 时，冷门概率是否从 20% 升至 45%”。
