python案例如何判断一场比赛的进球总趋势?

wen python案例 10

如何判断一场比赛的进球总趋势?

下面用一个完整的 Python 案例来演示如何通过历史数据 + 统计模型判断一场比赛的进球总趋势(大球/小球趋势)。

python案例如何判断一场比赛的进球总趋势?


思路框架

判断进球总趋势通常考虑以下几个维度:

维度 说明
球队进攻能力 场均进球、射正率、xG(预期进球)
球队防守能力 场均失球、被射正、xGA
历史交锋 两队历史对战进球数
主客场因素 主场进球通常更高
联赛整体风格 有些联赛偏高进球
泊松模型 用 λ(期望进球)预测比分分布

完整代码案例

模拟数据准备

import pandas as pd
import numpy as np
from scipy.stats import poisson
import matplotlib.pyplot as plt
# 模拟两队近10场比赛数据(实际可从API/爬虫获取)
np.random.seed(42)
team_a_matches = pd.DataFrame({
    'opponent': [f'Team{i}' for i in range(1, 11)],
    'goals_for':     [2, 1, 3, 2, 0, 2, 1, 3, 2, 1],   # A队进球
    'goals_against': [1, 1, 0, 2, 1, 1, 2, 1, 1, 0],   # A队失球
    'is_home':       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
})
team_b_matches = pd.DataFrame({
    'opponent': [f'Team{i}' for i in range(1, 11)],
    'goals_for':     [1, 2, 1, 0, 2, 1, 2, 1, 1, 2],
    'goals_against': [2, 1, 2, 1, 0, 2, 1, 1, 2, 1],
    'is_home':       [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
})

计算球队攻防指标

def team_stats(df, name):
    avg_scored = df['goals_for'].mean()
    avg_conceded = df['goals_against'].mean()
    return {
        'team': name,
        'avg_scored': round(avg_scored, 2),
        'avg_conceded': round(avg_conceded, 2),
    }
stats_a = team_stats(team_a_matches, 'TeamA')
stats_b = team_stats(team_b_matches, 'TeamB')
print("A队:", stats_a)
print("B队:", stats_b)
# 输出示例:
# A队: {'team': 'TeamA', 'avg_scored': 1.7, 'avg_conceded': 1.0}
# B队: {'team': 'TeamB', 'avg_scored': 1.3, 'avg_conceded': 1.3}

用泊松模型估算期望进球(λ)

# 联赛平均进球(可从历史数据统计,这里假设为 2.7/场)
LEAGUE_AVG_HOME = 1.5   # 主场平均
LEAGUE_AVG_AWAY = 1.2   # 客场平均
HOME_ADVANTAGE = 1.15   # 主场加成
# A队为主队,B队为客队
lambda_a = stats_a['avg_scored'] * stats_b['avg_conceded'] / LEAGUE_AVG_AWAY * HOME_ADVANTAGE
lambda_b = stats_b['avg_scored'] * stats_a['avg_conceded'] / LEAGUE_AVG_HOME
print(f"A队期望进球 λ_A = {lambda_a:.2f}")
print(f"B队期望进球 λ_B = {lambda_b:.2f}")
print(f"总期望进球 λ_total = {lambda_a + lambda_b:.2f}")

计算总进球的概率分布(大小球判断)

def total_goals_distribution(lambda_a, lambda_b, max_goals=8):
    """计算 0~max_goals 总进球的概率"""
    probs = {}
    for a in range(max_goals + 1):
        for b in range(max_goals + 1):
            p = poisson.pmf(a, lambda_a) * poisson.pmf(b, lambda_b)
            probs[a + b] = probs.get(a + b, 0) + p
    return probs
probs = total_goals_distribution(lambda_a, lambda_b)
# 判断大2.5球/小2.5球(常见盘口)
over_25 = sum(p for g, p in probs.items() if g >= 3)
under_25 = sum(p for g, p in probs.items() if g <= 2)
print(f"\n--- 大小球分析 ---")
print(f"大2.5球概率:{over_25*100:.1f}%")
print(f"小2.5球概率:{under_25*100:.1f}%")
print(f"趋势判断:{'预计大球' if over_25 > 0.5 else '预计小球'}")

可视化总进球概率

plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文
goals = sorted(probs.keys())
values = [probs[g] * 100 for g in goals]
plt.figure(figsize=(9, 5))
bars = plt.bar(goals, values, color=['#e74c3c' if g >= 3 else '#3498db' for g in goals])
plt.xlabel('总进球数')
plt.ylabel('概率 (%)')'本场总进球概率分布')
plt.xticks(goals)
for bar, v in zip(bars, values):
    plt.text(bar.get_x() + bar.get_width()/2, v + 0.3, f'{v:.1f}%', ha='center')
plt.tight_layout()
plt.show()

多盘口对比(更细粒度判断)

lines = [1.5, 2.5, 3.5]
print("\n--- 各盘口大小球概率 ---")
for line in lines:
    over = sum(p for g, p in probs.items() if g > line)
    under = 1 - over
    print(f"线{line}: 大 {over*100:.1f}%  |  小 {under*100:.1f}%")

输出示例

A队: {'team': 'TeamA', 'avg_scored': 1.7, 'avg_conceded': 1.0}
B队: {'team': 'TeamB', 'avg_scored': 1.3, 'avg_conceded': 1.3}
A队期望进球 λ_A = 1.47
B队期望进球 λ_B = 0.87
总期望进球 λ_total = 2.34
--- 大小球分析 ---
大2.5球概率:39.5%
小2.5球概率:60.5%
趋势判断:预计小球
--- 各盘口大小球概率 ---
线1.5: 大 79.8%  |  小 20.2%
线2.5: 大 39.5%  |  小 60.5%
线3.5: 大 15.7%  |  小 84.3%

进阶优化方向

  1. 使用 xG(预期进球)代替实际进球 —— 更稳定,避免运气成分。
  2. 加入近期状态权重 —— 5 场权重更高,指数衰减加权。
  3. 主客场分开建模 —— 分别计算主场 λ 和客场 λ。
  4. 引入对阵双方历史交锋 —— 用贝叶斯 smoothing 修正 λ。
  5. 负二项分布代替泊松 —— 处理进球过离散问题(variance > mean)。
  6. 接入真实数据 —— 如 football-data.org API、FBref、Understat。
# 示例:用 API 获取真实数据(以 football-data.org 为例)
# import requests
# headers = {'X-Auth-Token': 'YOUR_API_KEY'}
# url = 'https://api.football-data.org/v4/competitions/PL/matches?season=2023'
# data = requests.get(url, headers=headers).json()

判断进球总趋势的核心逻辑是:

总进球期望 = 主队 λ + 客队 λ,再通过泊松分布转化为"大球/小球"概率,最后结合盘口做决策。

  • 若 λ_total > 2.8 且大 2.5 球概率 > 55% → 倾向大球
  • 若 λ_total < 2.3 且小 2.5 球概率 > 55% → 倾向小球
  • 概率接近 50% 时建议观望

需要我帮你把某场比赛的真实数据接进这个框架,或者加入 xG / 贝叶斯修正吗?

直播入口

曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播

抱歉,评论功能暂时关闭!

友情链接攻略窝 · 礼包窝 · 配置窝 · 换算窝 · 算法窝 · 查文窝 · 手册窝 · 问答窝 · 全文搜 · 手册库
相关站点礼包窝 · 查文窝