综合实用脚本，历史交锋数据有何规律？

wen 实用脚本 2026-10-28 7

本文目录导读：

综合实用脚本，历史交锋数据有何规律？

历史交锋数据常见规律（先给结论）
实用分析脚本（Python）
进阶规律挖掘
使用建议与注意事项

历史交锋数据规律”的实用脚本，我理解你想从历史对阵数据中挖掘可复用的模式，下面给出一套通用分析框架 + 可运行脚本，适用于足球/篮球等对抗性赛事的历史交锋分析。

历史交锋数据常见规律（先给结论）

规律类型	具体表现	实用价值
主场优势	主队胜率通常比客队高 8–15 个百分点	判断让球/盘口合理性
心理压制	某队对某队连续多年不败（“克星”效应）	即使实力接近也需加权
进球节奏	两队交锋大球/小球比例稳定	大小球判断
比分集中	常见比分 1-0、1-1、2-1 占比高	比分玩法参考
近期衰减	5 年前的交锋参考价值显著下降	设置时间衰减权重
风格克制	防守反击型对控球型胜率高	战术匹配分析
赛程影响	杯赛/联赛交锋结果差异明显	分赛事类型统计

实用分析脚本（Python）

import pandas as pd
import numpy as np
from collections import Counter
# ============ 1. 数据准备 ============
# 假设数据结构: date, home, away, home_goals, away_goals, competition
# df = pd.read_csv('h2h.csv', parse_dates=['date'])
def build_h2h(df, team_a, team_b, years=5):
    """提取两队近N年交锋记录"""
    cutoff = df['date'].max() - pd.DateOffset(years=years)
    mask = (
        df['date'] >= cutoff) & (
        ((df['home']==team_a) & (df['away']==team_b)) |
        ((df['home']==team_b) & (df['away']==team_a))
    )
    h2h = df[mask].copy().sort_values('date')
    # 统一视角：以 team_a 为主视角
    h2h['a_goals'] = np.where(h2h['home']==team_a, h2h['home_goals'], h2h['away_goals'])
    h2h['b_goals'] = np.where(h2h['home']==team_a, h2h['away_goals'], h2h['home_goals'])
    h2h['a_is_home'] = (h2h['home']==team_a).astype(int)
    h2h['result'] = np.select(
        [h2h['a_goals']>h2h['b_goals'], h2h['a_goals']==h2h['b_goals']],
        ['W','D'], default='L')
    return h2h
# ============ 2. 核心规律统计 ============
def analyze_h2h(h2h, team_a, team_b):
    n = len(h2h)
    if n == 0: return None
    stats = {}
    stats['样本数'] = n
    stats['A胜/平/负'] = h2h['result'].value_counts().reindex(['W','D','L']).fillna(0).astype(int).to_dict()
    stats['A胜率'] = round((h2h['result']=='W').mean(), 3)
    stats['场均总进球'] = round((h2h['a_goals']+h2h['b_goals']).mean(), 2)
    stats['大2.5球比例'] = round(((h2h['a_goals']+h2h['b_goals'])>2.5).mean(), 3)
    stats['BTTS比例(双方进球)'] = round(((h2h['a_goals']>0)&(h2h['b_goals']>0)).mean(), 3)
    # 主场优势（以实际主队视角）
    home_wins = ((h2h['home_goals']>h2h['away_goals'])).mean()
    stats['主队胜率'] = round(home_wins, 3)
    # 常见比分
    scores = h2h.apply(lambda r: f"{int(r['a_goals'])}-{int(r['b_goals'])}", axis=1)
    stats['Top3比分'] = Counter(scores).most_common(3)
    # 时间衰减加权胜率（越近权重越高）
    w = np.linspace(0.5, 1.5, n)
    stats['加权A胜率'] = round(np.average((h2h['result']=='W').astype(float), weights=w), 3)
    # 连续不败/连胜
    streak = 0
    for r in h2h['result'][::-1]:
        if r != 'L': streak += 1
        else: break
    stats['A当前连续不败场次'] = streak
    return stats
# ============ 3. 调用示例 ============
# h2h = build_h2h(df, 'TeamA', 'TeamB', years=5)
# import pprint; pprint.pprint(analyze_h2h(h2h, 'TeamA', 'TeamB'))

进阶规律挖掘

def pattern_mining(h2h):
    """挖掘更深层规律"""
    out = {}
    # 1) 半场/全场相关性（若数据有半场比分）
    # 2) 交锋频率与结果关系
    h2h = h2h.sort_values('date').reset_index(drop=True)
    h2h['gap_days'] = h2h['date'].diff().dt.days
    out['平均交锋间隔(天)'] = round(h2h['gap_days'].mean(), 0)
    # 3) 主客场分离统计（A主场 vs A客场）
    home_view = h2h[h2h['a_is_home']==1]
    away_view = h2h[h2h['a_is_home']==0]
    out['A主场胜率'] = round((home_view['result']=='W').mean(), 3) if len(home_view) else None
    out['A客场胜率'] = round((away_view['result']=='W').mean(), 3) if len(away_view) else None
    # 4) 进球分布（泊松参数估计，用于比分预测）
    out['A场均进球'] = round(h2h['a_goals'].mean(), 2)
    out['B场均进球'] = round(h2h['b_goals'].mean(), 2)
    # 5) 稳定性：结果序列的熵（越低越稳定）
    probs = h2h['result'].value_counts(normalize=True)
    out['结果熵'] = round(-(probs*np.log(probs)).sum(), 3)
    return out