2、美式橄榄球分析：数据驱动的新视角

美式橄榄球分析：数据驱动的新视角

1. 美式橄榄球分析的发展

美式橄榄球正经历着向量化分析的重大转变。过去，橄榄球分析局限于少数开创性工作。1971 年，前四分卫 Virgil Carter 提出预期积分的概念，这一概念在橄榄球中极为重要。因为橄榄球比赛由一系列离散的回合组成，预期积分能根据当前比赛情况估算球队可能获得的积分。

传统橄榄球统计主要关注进攻球员，以码数和达阵数为衡量标准，但这种方式存在明显问题。例如，球员接球获得 7 码，但需要 8 码才能获得首攻或达阵，此时“足够”的码数比“更多”的码数更有价值。

1988 年，Bob Carroll 等人进一步探索了预期积分的概念。2007 年，Brian Burke 提出预期积分和预期积分增加的方法，并建立了获胜概率模型。之后，Carnegie Mellon 大学的 Ron Yurko 等人开发了 nflscrapR 包，用于抓取 NFL 逐场比赛数据，并复制了棒球中的 WAR 框架用于橄榄球球员评估。Eric 及其合作者在 2020 年对该工作进行了扩展，其 WAR 模型至今仍在行业中广泛使用。

随着 nflscrapR 等工具的兴起，更多人有机会展示分析技能。Ben Baldwin 和 Sebastian Carl 创建了 nflfastR 包，更新并增加了模型。最近，Cooper Adams 将 nflfastR 包的数据克隆到 Python 的 nfl_data_py 包中。

2. 学习内容概述

在学习橄榄球分析的过程中，我们将掌握以下关键技能：
- 数据可视化 ：学会以直观的方式展示数据，帮助更好地理解数据