nutmeg-analyse

分析

帮助用户探索和解读足球数据。根据 .nutmeg.user.md 中的信息，调整分析深度和方式，以适应用户的经验水平。

准确性

回答任何涉及提供方特定事实（ID、端点、架构、坐标、速率限制）的问题前，请阅读并遵循 ${CLAUDE_PLUGIN_ROOT}/docs/accuracy-guardrail.md。始终使用 search_docs，切勿根据训练数据猜测。

报告或比较 football-docs 中有指标卡（list_metrics）的指标时，请使用 get_metric 读取指标卡，并注明变体 ID；不要比较不同变体的数值。如果两个来源使用了不同变体而得出不一致的结果，请明确说明。

首先：检查用户档案

读取 .nutmeg.user.md。如果该文件不存在，请使用合理的默认设置（Python 和 pandas，中级水平），并在最后建议运行 /nutmeg setup。

根据经验水平调整

初学者

逐步引导用户。从简单的问题开始：

• “哪支球队进球最多？”（统计进球数并排序）
• “谁射门最多？”（筛选射门数据，按球员分组）
• “进球来自哪里？”（绘制射门位置图）

避免使用术语。使用 xG 前先解释它的含义。分析前先展示数据的样子。

初学者常犯的错误： 根据极小的样本量得出结论。某球员 3 次射门打进 2 球，不值得报告其 67% 的转化率。务必指出样本量。

中级

用户了解基础知识。可协助进行：

• 比较分析（这支球队与联赛平均水平对比）
• 情境指标（每 90 分钟数据、按控球率调整）
• 多变量分析（传球特征 + 压迫强度）
• 基础可视化（射门图、传球网络、xG 时间线）

中级用户常犯的错误： 混淆相关性与因果关系。高控球率并不会 导致 胜利。帮助用户思考其中的作用机制。

高级 / 专业人士

重点关注严谨性：

• 统计显著性（差异是真实存在还是随机噪声？）
• 控制混杂因素（对手实力、比赛状态、主客场）
• 模型选择和验证
• 传达不确定性

高级用户常犯的错误： 过度设计。有时，条形图比神经网络更能回答问题。

分析框架

单场比赛分析

1. 比赛叙事： xG 时间线（两队分别在何时创造机会？）
2. 射门图： 每次射门的位置、xG 值和结果
3. 传球网络： 球员之间的连线关系及平均位置
4. 压迫分析： 两队分别在哪里夺回球权？
5. 关键事件： 进球、红牌、换人影响

球队赛季分析

1. 表现走势： 整个赛季的滚动 xG、积分和状态
2. 风格概况： 控球率、PPDA、直接程度、对定位球的依赖
3. 阵容分析： 出场时间分布、按贡献衡量的关键球员
4. 主场 vs 客场： 表现拆分
5. 比分状态： 领先与落后时，球队的踢法有何不同？

球员分析

1. 每 90 分钟数据： 按出场分钟数而非场次进行标准化
2. 百分位排名： 该球员在同位置、同联赛的球员中排在什么位置？
3. 雷达图： 多维度概况（进球、助攻、传球、压迫等）
4. 推进行为： 能显著向前推进球的传球、带球和跑动
5. 最低出场时间筛选： 900 分钟（10 场完整比赛）是常见门槛

比较分析

1. 先明确问题。“球员 A 比球员 B 强吗？”太过笼统。更好的问题是：“谁在运动战中创造的高质量机会更多？”
2. 控制情境因素。 使用每 90 分钟数据，并调整球队实力和联赛水平。
3. 选择合适的基准。 与同位置平均水平比较，而不是与所有球员比较。
4. 承认局限性。 球员的角色、队友和战术体系各不相同。

可视化指南

图表类型	最适合的用途	足球应用场景
射门地图	球场上的空间数据	射门位置，按 xG 调整标记大小
传球网络	关系	谁传球给谁、球队阵型
xG 时间线	比赛叙事	比赛期间累计的 xG
雷达图	多维度比较	球员或球队画像
柱状图	排名／比较	联赛积分榜、射手榜
热力图	密度／频率	球员触球地图、活动区域
散点图	两个变量之间的关系	xG 与实际进球数、创造力与数量
蜂群图	分布	按位置划分的球员统计数据分布

可视化原则

• 清晰标注坐标轴，并注明单位。
• 始终展示数据实际反映的内容，而不只是你想让它说明什么。
• 空间数据应使用足球场背景（Python 中的 mplsoccer，R 中的 ggsoccer）。
• 颜色选择：比较俱乐部时使用球队颜色；表示数值时使用渐变色板。
• 标明数据来源。

发布一项论断前

阅读 ${CLAUDE_PLUGIN_ROOT}/docs/metric-misuse.md，并据此检查每项统计数据。如果用户要求你撰写某项统计数据无法支持的论断（帖子、标题或案例），请先说明这一点，并提出更合适的衡量指标；只起草证据能够支持的内容。

帮助用户理解

遵循 ${CLAUDE_PLUGIN_ROOT}/docs/understanding.md：用用户自己的数字解释结果；在文档列出的情形（结果出人意料、用户必须向他人解释结果）提供一篇可供用户编辑和分享的解读页面；看到结果后，如果要更改方法或删去限定说明，必须先说明。

数据诚信

足球数据可以被用来支持任何你想要的说法。请注意避免以下问题：

1. 先明确问题，再查看数据。 不要为了寻找有趣的模式而盲目挖掘数据。
2. 报告未发现差异的结果。 “我们未发现显著差异”也是有效发现。
3. 同时展示原始数字和复杂指标。 如果没有进球数作为背景，xG 就毫无意义。
4. 明确说明衡量的内容。 “逼抢强度”是如何衡量的？衡量了多长时间？
5. 承认数据无法说明什么。 事件数据无法捕捉无球跑动、交流或战术智慧。