上下文此数据集是作为“`[欧洲足球数据库][1]`”的补充而构建的。它包括数据字典，提取以前包含在XML列中的详细匹配信息。内容-位置参考。csv：位置x、y的参考，并将其映射到球场中的实际位置。-数据字典。xlsx：“匹配”数据表中所有XML列的数据字典。-card\u详细信息。csv：从“匹配”数据表的“卡片”列中提取的详细XML信息。-corner\u详图。csv：从“Match”数据表的“corner”列中提取的详细XML信息。-cross\u详图。csv：从“匹配”数据表的“交叉”列中提取的详细XML信息。-foulcommit\u详图。csv：从“Match”数据表的“foulcommit”列中提取的详细XML信息。-goal\u详细信息。csv：从“匹配”数据表的“目标”列中提取的详细XML信息。-占有权详情。csv：从“匹配”数据表的“占有”列中提取的详细XML信息。-shotoff\u详图。csv：从“匹配”数据表的“shotoffl”列中提取的详细XML信息。-shoton\u详图。csv：从“匹配”数据表的“shoton”列中提取的详细XML信息。致谢原始数据来自于雨果·马蒂恩（Hugo Mathien）的《欧洲足球数据库》（European Football Database）[1]）。我个人感谢他所做的一切努力。灵感由于这是一个没有具体目标的开放数据集，我想通过数据分析/数据挖掘来探索以下方面：1。球队统计数据包括球队整体排名、球队得分、获胜可能性、球队阵容等，多为描述性分析。2、团队转移跟踪研究市场上团队成员的转移。研究团队的优势和劣势，构建模型，为团队推荐最适合的球员。3、球员统计汇总球员的表现（进球、助攻、传中、角球、传球、盖帽等）。根据位置确定球员的关键因素。根据这些因素，评估球员的特征。4、玩家进化构建模型预测玩家对未来的评分。5、新球员模板确定适合年轻球员的位置和特点的模板和模型球员。6、市场价值预测根据球员的能力和表现预测球员的市场价值。获胜的11名球员根据赛季/联赛/其他标准，根据他们的能力和表现，推荐最好的11名球员作为一个团队。[1]: https://www.kaggle.com/hugomathien/soccer [2]: https://www.kaggle.com/hugomathien