python案例认为角球数量大概会是多少？

wen python案例 2026-10-09 1

本文目录导读：

问题分析
简单统计法（快速估算）
泊松分布建模（业内常用）
用机器学习预测（进阶）
影响角球的关键因素

这是一个很有意思的问题！用Python来预测角球数量，通常需要结合历史数据 + 统计模型 + 机器学习，下面我给出一个完整的案例框架,你可以根据实际数据替换。

问题分析

角球数量预测通常考虑：

球队进攻强度（射门、控球率）
球队防守压力
联赛平均水平
主客场因素
历史交锋数据

简单统计法（快速估算）

import numpy as np
import pandas as pd
# 假设这是某联赛近100场比赛的角球数据
np.random.seed(42)
data = pd.DataFrame({
    'home_corners': np.random.poisson(5.5, 100),  # 主队平均5.5个
    'away_corners': np.random.poisson(4.5, 100),  # 客队平均4.5个
})
data['total'] = data['home_corners'] + data['away_corners']
print(f"平均总角球: {data['total'].mean():.2f}")
print(f"中位数: {data['total'].median()}")
print(f"标准差: {data['total'].std():.2f}")
print(f"80%置信区间: {data['total'].quantile([0.1, 0.9]).values}")

典型输出：平均总角球约 10 个，多数比赛在 7~13 个之间。

泊松分布建模（业内常用）

角球数量近似服从泊松分布,这是博彩公司和数据分析公司的主流方法。

from scipy.stats import poisson
home_lambda = 5.5   # 主队期望角球
away_lambda = 4.5   # 客队期望角球
# 总角球的分布（两个泊松分布之和）
total_lambda = home_lambda + away_lambda
print(f"预测总角球期望值: {total_lambda}")
# 各数量概率
for k in range(5, 17):
    p = poisson.pmf(k, total_lambda)
    print(f"总角球={k:2d}  概率={p*100:5.2f}%")

用机器学习预测（进阶）

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error
# 模拟特征数据
n = 500
X = pd.DataFrame({
    'home_shots': np.random.poisson(13, n),
    'away_shots': np.random.poisson(10, n),
    'home_possession': np.random.normal(52, 8, n),
    'home_attack_rating': np.random.normal(1.4, 0.3, n),
    'away_defense_rating': np.random.normal(1.2, 0.3, n),
})
# 目标：总角球（用真实规律生成）
y = (0.25 * X['home_shots'] + 0.2 * X['away_shots'] 
     + 0.05 * X['home_possession'] 
     + np.random.normal(0, 1.2, n))
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = RandomForestRegressor(n_estimators=200, random_state=42)
model.fit(X_train, y_train)
pred = model.predict(X_test)
print(f"MAE: {mean_absolute_error(y_test, pred):.2f}")
print(f"预测示例: {pred[:5].round(1)}")

根据真实足球数据（英超、西甲、中超等）：