python案例认为半全场玩法如何入手？

wen python案例 2026-11-11 1

半全场玩法入门的Python案例分析

半全场（HT/FT）是竞彩足球中较难但赔率较高的玩法，预测"半场结果+全场结果"的9种组合,下面用Python带你系统入门。

先理解9种结果组合

# 半全场9种组合
results = ['胜胜', '胜平', '胜负', 
           '平胜', '平平', '平负',
           '负胜', '负平', '负负']
# 概率特点（经验值）：
# - 胜胜/负负/平平：占比约 70-75%（顺风局）
# - 平胜/平负：占比约 18-22%（下半场发力）
# - 胜负/负胜：占比约 5-8%（大逆转，赔率高）
# - 胜平/负平：占比约 3-5%（被追平）

数据准备（核心）

半全场分析需要半场比分数据,这是很多人的盲区。

import pandas as pd
import numpy as np
# 假设你从API/爬虫获取了历史数据
# 关键字段：主队、客队、半场比分、全场比分
df = pd.DataFrame({
    'home': ['A','B','C','D','E','F'],
    'away': ['B','C','D','E','F','A'],
    'ht_home': [1,0,0,2,1,0],   # 半场主队进球
    'ht_away': [0,0,1,1,0,0],   # 半场客队进球
    'ft_home': [2,1,1,2,1,1],   # 全场主队进球
    'ft_away': [1,1,1,1,2,0],   # 全场客队进球
})
def get_htft(row):
    ht = '胜' if row.ht_home > row.ht_away else ('平' if row.ht_home == row.ht_away else '负')
    ft = '胜' if row.ft_home > row.ft_away else ('平' if row.ft_home == row.ft_away else '负')
    return ht + ft
df['htft'] = df.apply(get_htft, axis=1)
print(df['htft'].value_counts())

数据来源建议：

懂球帝、雷速体育历史数据
football-data.co.uk（免费,含HT比分）
API-Football（付费但字段全）

统计分析入手（关键步骤）

整体分布规律

# 统计各队半全场倾向
def team_htft_profile(df, team):
    home_games = df[df.home == team]
    away_games = df[df.away == team]
    all_games = pd.concat([home_games, away_games])
    return all_games['htft'].value_counts(normalize=True).round(3)
print(team_htft_profile(df, 'A'))

半场领先 → 全场胜率

# 核心规律：半场领先的球队，全场胜率约 75-80%
df['ht_leader'] = np.where(df.ht_home > df.ht_away, 'home',
                    np.where(df.ht_home < df.ht_away, 'away', 'draw'))
# 半场主队领先时的最终结果
lead_home = df[df.ht_leader == 'home']
print("半场主队领先 → 全场结果分布：")
print(lead_home['htft'].value_counts(normalize=True))
# 胜胜 ~78%, 胜平 ~15%, 胜负 ~7%

主客场差异

# 主队半场平局 → 全场胜率往往高于客队
draw_ht = df[df.ht_leader == 'draw']
print(draw_ht['htft'].value_counts(normalize=True))
# 平胜通常 > 平负，这是主场优势的体现

构建预测模型（简化版）

方法1：泊松分布模拟（进阶但准确）

from scipy.stats import poisson
def simulate_htft(home_xg_ht, away_xg_ht, home_xg_ft, away_xg_ft, n=10000):
    """分别模拟半场和全场的进球分布"""
    results = []
    for _ in range(n):
        # 半场进球（用半场期望进球）
        ht_h = poisson.rvs(home_xg_ht)
        ht_a = poisson.rvs(away_xg_ht)
        # 全场进球（用全场期望进球）
        ft_h = poisson.rvs(home_xg_ft)
        ft_a = poisson.rvs(away_xg_ft)
        ht = '胜' if ht_h > ht_a else ('平' if ht_h == ht_a else '负')
        ft = '胜' if ft_h > ft_a else ('平' if ft_h == ft_a else '负')
        results.append(ht + ft)
    from collections import Counter
    c = Counter(results)
    return {k: v/n for k, v in sorted(c.items(), key=lambda x: -x[1])}
# 示例：主队半场xg=0.7，全场xg=1.6
probs = simulate_htft(0.7, 0.5, 1.6, 1.1)
for k, v in probs.items():
    print(f"{k}: {v:.2%}")

如何得到xg：用历史进球数据回归,或用FBref等免费xG数据源。

方法2：逻辑回归分类

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
# 特征工程
def build_features(df):
    df['ht_diff'] = df.ht_home - df.ht_away
    df['ft_diff'] = df.ft_home - df.ft_away
    # 可加入：近期状态、控球率、射门数等
    return df
# 用半场数据预测全场（实战中更常用"预测半场+全场"）
# 建议先用半场比分做特征预测"全场结果"，再与"半场结果预测"组合

实战入手建议（重点）

策略1：逆向筛选法（推荐新手）

# 不从9种里选，而是排除不可能的组合
# 例：两队都强攻（场均进球>1.5）→ 排除"平平"
# 例：一队防守极强 → 提高"平胜/平负"概率

策略2：聚焦高概率3种

# 80%精力研究：胜胜、平平、负负
# 20%精力博冷：平胜、平负（赔率5-8倍，命中率约10-15%）
# 避免：胜负、负胜（赔率15倍+，命中率<5%，长期必亏）

策略3：半场即战力分析

# 关键指标：球队"上半场进球占比"
def first_half_ratio(df, team):
    games = df[(df.home==team) | (df.away==team)]
    ht_goals = games.apply(lambda r: r.ht_home if r.home==team else r.ht_away, axis=1).sum()
    ft_goals = games.apply(lambda r: r.ft_home if r.home==team else r.ft_away, axis=1).sum()
    return ht_goals / ft_goals if ft_goals else 0
# 上半场进球占比 > 50% 的球队 → 半场领先概率高 → 看"X胜"组合

完整分析框架代码

class HTFTAnalyzer:
    def __init__(self, df):
        self.df = df.copy()
        self.df['htft'] = self.df.apply(get_htft, axis=1)
    def team_stats(self, team):
        g = self.df[(self.df.home==team)|(self.df.away==team)]
        return {
            'htft_dist': g['htft'].value_counts(normalize=True).to_dict(),
            'ht_lead_rate': (g.apply(
                lambda r: (r.ht_home>r.ht_away) if r.home==team else (r.ht_away>r.ht_home), axis=1
            )).mean(),
            'ht_draw_rate': (g.ht_home == g.ht_away).mean(),
        }
    def matchup_predict(self, home, away):
        h = self.team_stats(home)
        a = self.team_stats(away)
        # 简化：取两队半场领先率的平均值作为参考
        print(f"{home} 半场领先率: {h['ht_lead_rate']:.2%}")
        print(f"{away} 半场领先率: {a['ht_lead_rate']:.2%}")
        print(f"半场平局率(主): {h['ht_draw_rate']:.2%}")
        # 结合主客场因素进一步修正
analyzer = HTFTAnalyzer(df)
analyzer.matchup_predict('A', 'B')

避坑提醒

坑	说明
只看全场数据	半全场必须用半场数据，全场数据无法推断半场分布
样本太小	单队至少30-50场才有统计意义，赛季初别用
赔率陷阱	胜负/负胜赔率高但长期EV为负，慎碰
忽略主客场	同一队主客场的半场表现差异可达20%+
必发/凯利	半全场市场流动性低，赔率参考价值弱于胜平负