Python可視化分析和預(yù)測(cè)了2022年FIFA世界杯
來(lái)源：
奇酷教育 發(fā)表于：
Python可視化分析和預(yù)測(cè)了2022年FIFA世界杯
高端的效果，往往只需要采用最樸素的實(shí)現(xiàn)方式。
Python可視化分析和預(yù)測(cè)了2022年FIFA世界杯。
經(jīng)過(guò)測(cè)試，本文建立的模型能成功地預(yù)測(cè)了在20-21賽季中期的所有英超、西甲、意甲和德甲這些聯(lián)賽的冠軍，這也是基于當(dāng)時(shí)已經(jīng)有近19場(chǎng)比賽了。同樣，我們使用該模型來(lái)預(yù)測(cè)下2022年世界杯，會(huì)不會(huì)有如此驚人的效果呢？一起拭目以待吧～
如何預(yù)測(cè)比賽呢？
有不同的方法來(lái)進(jìn)行預(yù)測(cè)。我可以建立一個(gè)花哨的機(jī)器學(xué)習(xí)模型并給它提供多個(gè)變量，但在閱讀了一些論文后，我決定使用泊松分布試一試。
泊松分布
有讀者會(huì)疑問(wèn)，這是為什么呢？那接下來(lái)首先看一下泊松分布的定義。
泊松分布是一個(gè)離散的概率分布，描述了在一個(gè)固定的時(shí)間間隔或機(jī)會(huì)區(qū)域內(nèi)發(fā)生的事件的數(shù)量。
如果我們把進(jìn)球看作是一場(chǎng)足球比賽90分鐘內(nèi)可能發(fā)生的事件，我們可以計(jì)算出A隊(duì)和B隊(duì)在一場(chǎng)比賽中可能進(jìn)球的概率。
但這還不夠。我們?nèi)匀恍枰獫M足泊松分布的假設(shè)。
可以計(jì)算事件的數(shù)量（一場(chǎng)比賽可以有1、2、3或更多的進(jìn)球）。
事件的發(fā)生是獨(dú)立的（一個(gè)目標(biāo)的發(fā)生不應(yīng)影響另一個(gè)目標(biāo)的概率）。
事件發(fā)生的速度是恒定的（在某一時(shí)間間隔內(nèi)發(fā)生目標(biāo)的概率對(duì)于相同長(zhǎng)度的其他每一個(gè)時(shí)間間隔都應(yīng)該是完全相同的）。
兩個(gè)事件不可能在完全相同的時(shí)間內(nèi)發(fā)生（兩個(gè)目標(biāo)不可能同時(shí)發(fā)生）
毫無(wú)疑問(wèn)，假設(shè)1和4是符合的，但2和3是部分正確的。也就是說(shuō)，我們假設(shè)假設(shè)2和3總是正確的。
當(dāng)預(yù)測(cè)歐洲頂級(jí)聯(lián)賽的冠軍時(shí)，我繪制了過(guò)去5年前4個(gè)聯(lián)賽每場(chǎng)比賽的進(jìn)球數(shù)柱狀圖。
4個(gè)聯(lián)賽的進(jìn)球數(shù)柱狀圖
如果你看一下任何聯(lián)賽的擬合曲線，它看起來(lái)像泊松分布。
現(xiàn)在我們可以說(shuō)，可以用泊松分布來(lái)計(jì)算一場(chǎng)比賽中可能出現(xiàn)的進(jìn)球數(shù)的概率。
下面是泊松分布的公式。
為了進(jìn)行預(yù)測(cè)，我考慮了。
lambda：90分鐘內(nèi)進(jìn)球數(shù)的中位數(shù)（A隊(duì)和B隊(duì)）。
x：一場(chǎng)比賽中A隊(duì)和B隊(duì)可能進(jìn)的球數(shù)
為了計(jì)算lambda，我們需要每個(gè)國(guó)家隊(duì)的平均進(jìn)/丟球數(shù)。這將我們引向下一個(gè)問(wèn)題。
每個(gè)國(guó)家隊(duì)的進(jìn)球/丟球情況
在收集了從1930年到2018年的所有世界杯比賽的數(shù)據(jù)（需要完整數(shù)據(jù)請(qǐng)掃文末二維碼后，回復(fù)：世界杯 獲取）后，可以計(jì)算出每個(gè)國(guó)家隊(duì)的平均進(jìn)球和丟球情況。
數(shù)據(jù)清洗
讀取數(shù)據(jù)
df_historical_data = pd.read_csv('data/fifa_worldcup_matches.csv')
df_fixture = pd.read_csv('data/fifa_worldcup_fixture.csv')
df_missing_data = pd.read_csv('data/fifa_worldcup_missing_data.csv')
清洗df_fixture
df_fixture['home'] = df_fixture['home'].str.strip()
df_fixture['away'] = df_fixture['away'].str.strip()
清洗df_missing_data
df_missing_data.dropna(inplace=True)
df_historical_data = pd.concat([df_historical_data, df_missing_data], ignore_index=True)
df_historical_data.drop_duplicates(inplace=True)
df_historical_data.sort_values('year', inplace=True)
df_historical_data
清洗df_historical_data
# 刪掉與走過(guò)場(chǎng)的比賽
delete_index = df_historical_data[df_historical_data['home'].str.contains('Sweden') &
df_historical_data['away'].str.contains('Austria')].index
df_historical_data.drop(index=delete_index, inplace=True)
# 清洗分?jǐn)?shù)和主客場(chǎng)columns
df_historical_data['score'] = df_historical_data['score'].str.replace('[^\d–]', '', regex=True)
df_historical_data['home'] = df_historical_data['home'].str.strip() # 清洗空白格: Yugoslavia twice
df_historical_data['away'] = df_historical_data['away'].str.strip()
# splitting score columns into home and away goals and dropping score column
# 將得分columns分成主客場(chǎng)進(jìn)球和降分columns
df_historical_data[['HomeGoals', 'AwayGoals']] = df_historical_data['score'].str.split('–', expand=True)
df_historical_data.drop('score', axis=1, inplace=True)
# 重命名列名并更改格式
df_historical_data.rename(columns={'home': 'HomeTeam', 'away': 'AwayTeam',
'year':'Year'}, inplace=True)
df_historical_data = df_historical_data.astype({'HomeGoals': int, 'AwayGoals':int, 'Year': int})
# 創(chuàng)建一個(gè)新列 "totalgoals"
df_historical_data['TotalGoals'] = df_historical_data['HomeGoals'] + df_historical_data['AwayGoals']
df_historical_data
保存清洗過(guò)后的數(shù)據(jù)
df_historical_data.to_csv('clean_fifa_worldcup_matches.csv',index=False)
df_fixture.to_csv('clean_fifa_worldcup_fixture.csv',index=False)
數(shù)據(jù)可視化
上下滑動(dòng)查看更多源碼
# nation_position, club_position, player_positions
df = pd.read_csv('players_22.csv', low_memory=False)
# 選擇需要用的列
df = df[['short_name', 'age', 'nationality_name', 'overall', 'potential',
'club_name', 'value_eur', 'wage_eur', 'player_positions']]
# 只選擇一個(gè)position
df['player_positions'] = df['player_positions'].str.split(',', expand=True)[0]
# 刪除缺失值
df.dropna(inplace=True)
players_missing_worldcup = ['K. Benzema', 'S. Mané', 'S. Agüero', 'Sergio Ramos',
'P. Pogba', 'M. Reus', 'Diogo Jota', 'A. Harit',
'N. Kanté', 'G. Lo Celso', 'Piqué']
# 刪除受傷的球員
drop_index = df[df['short_name'].isin(players_missing_worldcup)].index
df.drop(drop_index, axis=0, inplace=True)
teams_worldcup = [
'Qatar', 'Brazil', 'Belgium', 'France', 'Argentina', 'England', 'Spain', 'Portugal',
'Mexico', 'Netherlands', 'Denmark', 'Germany', 'Uruguay', 'Switzerland', 'United States', 'Croatia',
'Senegal', 'Iran', 'Japan', 'Morocco', 'Serbia', 'Poland', 'South Korea', 'Tunisia',
'Cameroon', 'Canada', 'Ecuador', 'Saudi Arabia', 'Ghana', 'Wales', 'Costa Rica', 'Australia'
]
# 篩選國(guó)家隊(duì)
df = df[df['nationality_name'].isin(teams_worldcup)]
# 最佳球員
df.sort_values(by=['overall', 'potential', 'value_eur'], ascending=False, inplace=True)
球員分布
import numpy as np
fig, ax = plt.subplots(figsize=(12, 5), tight_layout=True)
sns.histplot(df, x='overall', binwidth=1)
bins = np.arange(df['overall'].min(), df['overall'].max(), 1)
plt.xticks(bins)
plt.show()
世界杯夢(mèng)之隊(duì)球員
df.drop_duplicates('player_positions')
每個(gè)國(guó)家隊(duì)中最有技能的球員
df_best_players = df.copy()
df_best_players = df_best_players.drop_duplicates('nationality_name').reset_index(drop=True)
country_short = df_best_players['nationality_name'].str.extract('(^\w{3})', expand=False).str.upper()
df_best_players['name_nationality'] = df_best_players['short_name'] +' (' + country_short + ')'
fig, ax = plt.subplots(figsize=(10, 6), tight_layout=True)
sns.barplot(df_best_players, x='overall', y='name_nationality',
palette=sns.color_palette('pastel'), width=0.5)
plt.show()
每支球隊(duì)的最佳陣容
def best_squad(nationality):
df_best_squad = df.copy()
df_best_squad = df_best_squad.groupby(['nationality_name', 'player_positions']).head(2)
df_best_squad = df_best_squad[df_best_squad['nationality_name']==nationality].sort_values(['player_positions', 'overall', 'potential'], ascending=False)
return df_best_squad
best_squad('Brazil')
average_overall = [best_squad(team)['overall'].mean() for team in teams_worldcup]
df_average_overall = pd.DataFrame({'Teams': teams_worldcup, 'AVG_Overall': average_overall})
df_average_overall = df_average_overall.dropna()
df_average_overall = df_average_overall.sort_values('AVG_Overall', ascending=False)
df_average_overall
上下滑動(dòng)查看更多結(jié)果
fig, ax = plt.subplots(figsize=(12, 5), tight_layout=True)
sns.barplot(df_average_overall[:10], x='Teams', y='AVG_Overall',
palette=sns.color_palette('pastel'))
plt.show()
每支球隊(duì)的最佳陣型
上下滑動(dòng)查看更多源碼
def best_lineup(nationality, lineup):
lineup_count = [lineup.count(i) for i in lineup]
df_lineup = pd.DataFrame({'position': lineup, 'count': lineup_count})
positions_non_repeated = df_lineup[df_lineup['count'] <= 1]['position'].values
positions_repeated = df_lineup[df_lineup['count'] > 1]['position'].values
df_squad = best_squad(nationality)
df_lineup = pd.concat([
df_squad[df_squad['player_positions'].isin(positions_non_repeated)].drop_duplicates('player_positions', keep='first'),
df_squad[df_squad['player_positions'].isin(positions_repeated)]]
)
return df_lineup[['short_name', 'overall', 'club_name', 'player_positions']]
dict_formation = {
'4-3-3': ['GK', 'RB', 'CB', 'CB', 'LB', 'CDM', 'CM', 'CAM', 'RW', 'ST', 'LW'],
'4-4-2': ['GK', 'RB', 'CB', 'CB', 'LB', 'RM', 'CM', 'CM', 'LM', 'ST', 'ST'],
'4-2-3-1': ['GK', 'RB', 'CB', 'CB', 'LB', 'CDM', 'CDM', 'CAM', 'CAM', 'CAM', 'ST'],
}
for index, row in df_average_overall[:9].iterrows():
max_average = None
for key, values in dict_formation.items():
average = best_lineup(row['Teams'], values)['overall'].mean()
if max_average is None or average>max_average:
max_average = average
formation = key
print(row['Teams'], formation, max_average)
Spain 4-2-3-1 85.1
Portugal 4-2-3-1 84.9
England 4-4-2 84.45454545454545
Brazil 4-3-3 84.81818181818181
France 4-2-3-1 83.9
Argentina 4-3-3 83.54545454545455
Germany 4-2-3-1 84.1
Belgium 4-3-3 82.54545454545455
Netherlands 4-4-2 82.54545454545455
# best_lineup('Spain', dict_formation['4-2-3-1'])
# best_lineup('Argentina', dict_formation['4-3-3'])
best_lineup('Brazil', dict_formation['4-3-3'])
由于在世界杯中，幾乎所有的球隊(duì)都在中立球場(chǎng)比賽，所以在這次分析中沒(méi)有考慮主場(chǎng)/客場(chǎng)的因素。
一旦有了每個(gè)國(guó)家隊(duì)的進(jìn)/丟球數(shù)，就創(chuàng)建了一個(gè)函數(shù)，預(yù)測(cè)每支球隊(duì)在小組賽中會(huì)得到多少分。
預(yù)測(cè)小組賽階段
下面是我用來(lái)預(yù)測(cè)每個(gè)國(guó)家隊(duì)在小組賽階段會(huì)得到多少分的代碼。
計(jì)算球隊(duì)實(shí)力
dict_table = pickle.load(open('dict_table','rb'))
df_historical_data = pd.read_csv('clean_fifa_worldcup_matches.csv')
df_fixture = pd.read_csv('clean_fifa_worldcup_fixture.csv')
df_home = df_historical_data[['HomeTeam', 'HomeGoals', 'AwayGoals']]
df_away = df_historical_data[['AwayTeam', 'HomeGoals', 'AwayGoals']]
df_home = df_home.rename(columns={'HomeTeam':'Team', 'HomeGoals': 'GoalsScored', 'AwayGoals': 'GoalsConceded'})
df_away = df_away.rename(columns={'AwayTeam':'Team', 'HomeGoals': 'GoalsConceded', 'AwayGoals': 'GoalsScored'})
df_team_strength = pd.concat([df_home, df_away], ignore_index=True).groupby(['Team']).mean()
df_team_strength
from scipy.stats import poisson
def predict_points(home, away):
if home in df_team_strength.index and away in df_team_strength.index:
lamb_home = df_team_strength.at[home,'GoalsScored'] * df_team_strength.at[away,'GoalsConceded']
lamb_away = df_team_strength.at[away,'GoalsScored'] * df_team_strength.at[home,'GoalsConceded']
prob_home, prob_away, prob_draw = 0, 0, 0
for x in range(0,11): #number of goals home team
for y in range(0, 11): #number of goals away team
p = poisson.pmf(x, lamb_home) * poisson.pmf(y, lamb_away)
if x == y:
prob_draw += p
elif x > y:
prob_home += p
else:
prob_away += p
points_home = 3 * prob_home + prob_draw
points_away = 3 * prob_away + prob_draw
return (points_home, points_away)
else:
return (0, 0)
通俗地說(shuō)，predict_points 計(jì)算的是主隊(duì)和客隊(duì)會(huì)得到多少分。這里使用公式計(jì)算每支球隊(duì)的lambda，即average_goals_scored * average_goals_conceded 。
然后模擬了一場(chǎng)比賽從0-0到10-10的所有可能的比分（最后的那個(gè)比分只是我的進(jìn)球范圍的極限）。一旦有了lambda和x，就可以使用泊松分布的公式來(lái)計(jì)算p。
prob_home、prob_draw和prob_away分別累積了p的值，如果說(shuō)比賽以1-0（主場(chǎng)獲勝）、1-1（平局）或0-1（客場(chǎng)獲勝）結(jié)束。最后，用下面的公式計(jì)算積分。
point_home = 3 * prob_home + prob_draw
point_away = 3 * prob_away + prob_draw
如果我們用predict_points來(lái)預(yù)測(cè)英格蘭對(duì)美國(guó)的比賽，我們會(huì)得到這個(gè)結(jié)果。
>>> print(predict_points('England', 'United States'))
(2.2356147635326007, 0.5922397535606193)
這意味著英格蘭將得到2.23分，而美國(guó)將得到0.59分。因?yàn)檫@里使用的是概率，因此得到的是小數(shù)。
如果將這個(gè)predict_points函數(shù)應(yīng)用于小組賽階段的所有比賽，我們將得到每個(gè)小組的第1和第2名，從而得到以下淘汰賽的比賽。
df_fixture_group_48 = df_fixture[:48].copy()
df_fixture_knockout = df_fixture[48:56].copy()
df_fixture_quarter = df_fixture[56:60].copy()
df_fixture_semi = df_fixture[60:62].copy()
df_fixture_final = df_fixture[62:].copy()
for group in dict_table:
teams_in_group = dict_table[group]['Team'].values
df_fixture_group_6 = df_fixture_group_48[df_fixture_group_48['home'].isin(teams_in_group)]
for index, row in df_fixture_group_6.iterrows():
home, away = row['home'], row['away']
points_home, points_away = predict_points(home, away)
dict_table[group].loc[dict_table[group]['Team'] == home, 'Pts'] += points_home
dict_table[group].loc[dict_table[group]['Team'] == away, 'Pts'] += points_away
dict_table[group] = dict_table[group].sort_values('Pts', ascending=False).reset_index()
dict_table[group] = dict_table[group][['Team', 'Pts']]
dict_table[group] = dict_table[group].round(0)
dict_table['Group A']
圖片
圖片
預(yù)測(cè)淘汰賽
df_fixture_knockout
圖片
for group in dict_table:
group_winner = dict_table[group].loc[0, 'Team']
runners_up = dict_table[group].loc[1, 'Team']
df_fixture_knockout.replace({f'Winners {group}':group_winner,
f'Runners-up {group}':runners_up}, inplace=True)
df_fixture_knockout['winner'] = '?'
df_fixture_knockout
圖片
對(duì)于淘汰賽，我不需要預(yù)測(cè)分?jǐn)?shù)，而是預(yù)測(cè)每個(gè)小組的獲勝者。這就是為什么我在之前的 predict_points 函數(shù)基礎(chǔ)上創(chuàng)建了一個(gè)新的 get_winner 函數(shù)。
def get_winner(df_fixture_updated):
for index, row in df_fixture_updated.iterrows():
home, away = row['home'], row['away']
points_home, points_away = predict_points(home, away)
if points_home > points_away:
winner = home
else:
winner = away
df_fixture_updated.loc[index, 'winner'] = winner
return df_fixture_updated
簡(jiǎn)單地說(shuō)，如果主隊(duì)的積分大于客隊(duì)的積分，那么贏家就是主隊(duì)，否則，贏家就是客隊(duì)。
使用get_winner函數(shù)可以得到如下的結(jié)果。
預(yù)測(cè)四分之一決賽、半決賽和決賽的情況
def update_table(df_fixture_round_1, df_fixture_round_2):
for index, row in df_fixture_round_1.iterrows():
winner = df_fixture_round_1.loc[index, 'winner']
match = df_fixture_round_1.loc[index, 'score']
df_fixture_round_2.replace({f'Winners {match}':winner}, inplace=True)
df_fixture_round_2['winner'] = '?'
return df_fixture_round_2
四分之一決賽
半決賽
決賽
如果我使用 get_winner，我可以預(yù)測(cè)世界杯的冠軍。這是最后的結(jié)果！!
通過(guò)再一次運(yùn)行該函數(shù)，我得到的贏家是...巴西!
(如有雷同純屬巧合）
您現(xiàn)在所在的位置：首頁(yè) >關(guān)于奇酷 > 行業(yè)動(dòng)態(tài) > Python可視化分析和預(yù)測(cè)了2022年FIFA世界杯
