python案例如何利用半场数据调整预测？

wen python案例 2026-08-25 4

本文目录导读：

案例 1：基于历史半场/全场转换表的查询法（最简单）
案例 2：基于泊松分布的动态均值调整（数学建模法）
案例 3：结合实时赔率的市场修正法（量化交易视角）
案例 4：混合模型（贝叶斯朴素结合）
生产环境中的高级技巧

利用半场数据调整全场比赛预测,本质上是贝叶斯更新的逻辑：用“先验（赛前预测）”乘以“半场发生的事实（贝叶斯因子）”，得到“后验（调整后的预测）”。

在Python中,通常有两种实现路径：

模型驱动法（数据科学）：基于泊松分布（Poisson）或机器学习模型，输入半场比分和半场技术统计，重新预估全场预期进球数（xG）。
规则/赔率驱动法（量化策略）：比较半场实时赔率与赛前赔率的变化，或者基于历史半场/全场结果的分布表进行映射。

下面提供几个由浅入深的Python实战案例,涵盖简单的统计调整到复杂的蒙特卡洛模拟。

案例 1：基于历史半场/全场转换表的查询法（最简单）

核心逻辑：统计历史数据中，当半场出现特定比分（如 1:0）时，全场出现各种结果（胜/平/负）的概率分布。

import pandas as pd
import numpy as np
# 模拟生成历史比赛数据（半场比分，全场比分）
np.random.seed(42)
n_games = 5000
half_home = np.random.poisson(0.8, n_games)  # 半场主队进球
half_away = np.random.poisson(0.5, n_games)
full_home = half_home + np.random.poisson(1.0, n_games)  # 下半场进球独立
full_away = half_away + np.random.poisson(0.6, n_games)
df = pd.DataFrame({
    'half_home': half_home,
    'half_away': half_away,
    'full_home': full_home,
    'full_away': full_away
})
# 定义结果函数
def get_result(h, a):
    if h > a: return 'Home_Win'
    elif h < a: return 'Away_Win'
    else: return 'Draw'
df['half_result'] = df.apply(lambda r: get_result(r['half_home'], r['half_away']), axis=1)
df['full_result'] = df.apply(lambda r: get_result(r['full_home'], r['full_away']), axis=1)
# 当前半场比分（假设半场主队1:0领先）
live_half_home, live_half_away = 1, 0
# 查询所有历史中，与该半场比分相同的比赛
filtered = df[(df['half_home'] == live_half_home) & (df['half_away'] == live_half_away)]
if len(filtered) > 0:
    # 计算全场比赛结果的频率分布（这就是调整后的后验概率）
    prob_dist = filtered['full_result'].value_counts(normalize=True)
    print(f"半场 {live_half_home}:{live_half_away} 时，全场概率分布：")
    print(prob_dist.round(3))
else:
    # 如果历史样本不足，退化为计算半场领先时的整体概率
    filtered = df[df['half_result'] == 'Home_Win']  # 或使用回归平滑
    prob_dist = filtered['full_result'].value_counts(normalize=True)
    print(f"样本不足，退化为半场主队领先时的概率：")
    print(prob_dist.round(3))

输出示例：半场1：0时，主胜概率可能从赛前的45%提升到65%，这就是数据驱动的调整。

案例 2：基于泊松分布的动态均值调整（数学建模法）

核心逻辑：足球进球服从泊松分布，假设半场数据显示主队进攻力强于预期（实际进1球），我们就调高下半场的预期进球数（λ），然后模拟下半场进球，结合上半场实际得分得出全场概率。

import numpy as np
from scipy.stats import poisson, gamma
# 赛前模型预期的全场平均进球（基于ElO或基本面）
pre_lambda_home = 1.35
pre_lambda_away = 1.10
# 上半场实际数据（45分钟）
actual_home_goals = 1
actual_away_goals = 0
# 由于比赛上下半场独立性较弱，这里使用“加权法”更新下半场预期：
# 权重因子（0~1），代表半场信息对下半场的修正力度（通常0.2~0.5，越大代表越重视近期状态）
adjustment_weight = 0.3
# 计算调整后的下半场期望值（半场期望值 = 40%~45%的全场期望值）
expected_first_half_home = pre_lambda_home * 0.45
expected_second_half_home = pre_lambda_home * 0.55
# 用实际半场进球数调整下半场期望：调整幅度 = (实际 - 预期) * 权重
adjusted_second_home = expected_second_half_home + (actual_home_goals - expected_first_half_home) * adjustment_weight
adj_second_away = pre_lambda_away * 0.55 + (actual_away_goals - pre_lambda_away * 0.45) * adjustment_weight
# 防止负值
adjusted_second_home = max(0.1, adjusted_second_home)
adj_second_away = max(0.1, adj_second_away)
# 蒙特卡洛模拟下半场进球（100000次）
sims = 100000
sim_second_home = np.random.poisson(adjusted_second_home, sims)
sim_second_away = np.random.poisson(adj_second_away, sims)
# 计算全场比分和结果
full_home_score = actual_home_goals + sim_second_home
full_away_score = actual_away_goals + sim_second_away
home_win_prob = np.mean(full_home_score > full_away_score)
draw_prob = np.mean(full_home_score == full_away_score)
away_win_prob = np.mean(full_home_score < full_away_score)
print(f"调整后的下半场预期进球（主/客）：{adjusted_second_home:.2f} / {adj_second_away:.2f}")
print(f"调整后预测全场概率 -> 主胜：{home_win_prob*100:.2f}% | 平局：{draw_prob*100:.2f}% | 客胜：{away_win_prob*100:.2f}%")

说明：这里展示了如何用“半场实际数据”修正下半场预期，核心参数adjustment_weight决定了半场信息的权重，过大会过拟合，过小则更新过慢。

案例 3：结合实时赔率的市场修正法（量化交易视角）

核心逻辑：利用博彩公司半场赔率 / 赛前赔率的变化来反向推导市场资金流的动向，半场赔率剧烈变化意味着信息泄露或资金大量涌入。

import pandas as pd
# 模拟数据：赛前赔率 vs 半场赔率（以欧赔为例，主胜/平/客胜）
pre_odds = pd.Series({'Home': 2.10, 'Draw': 3.40, 'Away': 3.60})
half_odds = pd.Series({'Home': 1.50, 'Draw': 4.20, 'Away': 6.50})
# 去除水分（假设返还率90%）
def normalize_odds(s):
    implied_prob = 1 / s
    adjusted = implied_prob / implied_prob.sum() * 0.90  # 返还率
    return adjusted
pre_prob = normalize_odds(pre_odds)
half_prob = normalize_odds(half_odds)
# 计算赔率变化率：比例 >1 表示支持率上升（水分去除后比较）
change_factor = half_prob / pre_prob
print("概率变化因子（>1 表示该结果概率被市场调高）：")
print(change_factor.round(2))
# 最终预测概率 = 赛前概率 * 变化因子（需要归一化）
final_unnorm = pre_prob * change_factor
final_prob = final_unnorm / final_unnorm.sum()
print("\n调整后的预测概率：")
print(final_prob.round(3))

输出解读：主胜从赛前的约43%概率，因半场赔率跳水（1.5），调整后上升到约65%，这反映了市场对半场信息的定价。

案例 4：混合模型（贝叶斯朴素结合）

核心逻辑：将赛前预测（基于Elo或预期进球）与半场实际状态进行加权融合，这里模拟赛前概率，再结合半场比分的似然函数调整。

# 假设赛前模型预测主队胜率0.45，平局0.28，客胜0.27
prior = {'Home_Win': 0.45, 'Draw': 0.28, 'Away_Win': 0.27}
# 半场比分为 1:0，根据历史统计，从半场到全场的转换矩阵（
# 行（半场状态）：主胜（1:0 等），列（全场结果对应概率）
# 这是一个简化的似然矩阵（实际统计表更细）
transition_matrix = {
    'Home_Leading': {'Home_Win': 0.70, 'Draw': 0.20, 'Away_Win': 0.10},
    'Draw': {'Home_Win': 0.25, 'Draw': 0.55, 'Away_Win': 0.20},
    'Away_Leading': {'Home_Win': 0.10, 'Draw': 0.20, 'Away_Win': 0.70}
}
# 当前半场状态
half_state = 'Home_Leading'  # 主队领先
# 计算后验（即调整后的概率）：p(全场结果 | 半场状态) 
# 需要用赛前先验和似然计算边缘概率，但简化场景我们可以直接线性融合
# 融合权重：半场信息占40%，赛前占60%
mix_weight = 0.4
likelihood = transition_matrix[half_state]
posterior = {}
for result in prior.keys():
    # 归一化调整：使用似然比调整先验
    posterior[result] = prior[result] * likelihood[result]
# 归一化
total = sum(posterior.values())
posterior = {k: v/total for k, v in posterior.items()}
print("赛前预测：", {k: round(v,2) for k,v in prior.items()})
print("半场调整后：", {k: round(v,2) for k,v in posterior.items()})