国产欧美三级日韩_可以免费看日韩无码黄色电影_91九色成人在线_亚洲伊人精品久久久久_国产精选视频一区二区三区不卡播放无码_影音先锋在线资源观看男士天堂影院网站_黄色软件免费网站_人妻中文字幕无码久久αV_欧美亚洲国产成人一区二区_欧美日韩一级特黄大片免色

圖片源自網(wǎng)絡(luò)

作者

Lemon

如需轉(zhuǎn)載，請(qǐng)聯(lián)系原作者授權(quán)。

2018年，火熱的世界杯即將拉開(kāi)序幕。在比賽開(kāi)始之前，我們不妨用 Python 來(lái)對(duì)參賽隊(duì)伍的實(shí)力情況進(jìn)行分析，并大膽的預(yù)測(cè)下本屆世界杯的奪冠熱門(mén)球隊(duì)。

文中有獲取本文源代碼的方式。

通過(guò)數(shù)據(jù)分析，可以發(fā)現(xiàn)很多有趣的結(jié)果，比如：

• 找出哪些隊(duì)伍是首次進(jìn)入世界杯的黑馬隊(duì)伍

• 找出2018年32強(qiáng)中之前已經(jīng)進(jìn)入過(guò)世界杯，但在世界杯上沒(méi)有贏得過(guò)一場(chǎng)比賽的隊(duì)伍

當(dāng)然，我們本次的主要任務(wù)是要通過(guò)數(shù)據(jù)分析來(lái)預(yù)測(cè)2018年世界杯的奪冠熱門(mén)隊(duì)伍。

本次分析的數(shù)據(jù)來(lái)源于 Kaggle， 包含從 1872 年到今年的數(shù)據(jù)，包括世界杯比賽、世界杯預(yù)選賽、亞洲杯、歐洲杯、國(guó)家之間的友誼賽等比賽，一共大約 40000 場(chǎng)比賽的情況。

本次的環(huán)境為

• window 7 系統(tǒng)

• python 3.6

• Jupyter Notebook

• pandas version 0.22.0

先來(lái)看看數(shù)據(jù)的情況：

1. import pandas as pd

2. import matplotlib.pyplot as plt

4. %matplotlib inline

5. plt.style.use('ggplot')

7. df = pd.read_csv('results.csv')

8. df.head()

該數(shù)據(jù)集包含的數(shù)據(jù)列的信息如下：

• 日期

• 主隊(duì)名稱(chēng)

• 客隊(duì)名稱(chēng)

• 主隊(duì)進(jìn)球數(shù) （不含點(diǎn)球）

• 客隊(duì)進(jìn)球數(shù) （不含點(diǎn)球）

• 比賽的類(lèi)型

• 比賽所在城市

• 比賽所在國(guó)家

• 是否中立

結(jié)果如下：

▼

1、 獲取所有世界杯比賽的數(shù)據(jù)（不含預(yù)選賽）

1. df_FIFA_all = df[df['tournament'].str.contains('FIFA', regex=True)]

2. df_FIFA = df_FIFA_all[df_FIFA_all['tournament']=='FIFA World Cup']

3. df_FIFA.head()

結(jié)果如下：

▼

數(shù)據(jù)做一個(gè)初步整理

1. df_FIFA.loc[:,'date'] = pd.to_datetime(df_FIFA.loc[:,'date'])

2. df_FIFA['year'] = df_FIFA['date'].dt.year

3. df_FIFA['diff_score'] = df_FIFA['home_score']-df_FIFA['away_score']

4. df_FIFA['win_team'] = ''

5. df_FIFA['diff_score'] = pd.to_numeric(df_FIFA['diff_score'])

創(chuàng)建一個(gè)新的列數(shù)據(jù)，包含獲勝隊(duì)伍的信息

1. # The first method to get the winners

3. df_FIFA.loc[df_FIFA['diff_score']> 0, 'win_team'] = df_FIFA.loc[df_FIFA['diff_score']> 0, 'home_team']

4. df_FIFA.loc[df_FIFA['diff_score']< 0, 'win_team'] = df_FIFA.loc[df_FIFA['diff_score']< 0, 'away_team']

5. df_FIFA.loc[df_FIFA['diff_score']== 0, 'win_team'] = 'Draw'

7. df_FIFA.head()

9. # The second method to get the winners

11. def find_win_team(df):

12.    winners = []

13.    for i, row in df.iterrows():

14.        if row['home_score'] > row['away_score']:

15.            winners.append(row['home_team'])

16.        elif row['home_score'] < row['away_score']:

17.            winners.append(row['away_team'])

18.        else:

19.            winners.append('Draw')

20.    return winners

22. df_FIFA['winner'] = find_win_team(df_FIFA)

23. df_FIFA.head()

結(jié)果如下：

▼

2、 獲取世界杯所有比賽的前20強(qiáng)數(shù)據(jù)情況

2.1 獲取世界杯所有比賽獲勝場(chǎng)數(shù)最多的前20強(qiáng)數(shù)據(jù)

1. s = df_FIFA.groupby('win_team')['win_team'].count()

2. s.sort_values(ascending=False, inplace=True)

3. s.drop(labels=['Draw'], inplace=True)

用pandas可視化如下：

柱狀圖

1. s.head(20).plot(kind='bar', figsize=(10,6), title='Top 20 Winners of World Cup')

▼

水平柱狀圖

1. s.sort_values(ascending=True,inplace=True)

2. s.tail(20).plot(kind='barh', figsize=(10,6), title='Top 20 Winners of World Cup')

▼

餅圖

1. s_percentage = s/s.sum()

2. s_percentage

3. s_percentage.tail(20).plot(kind='pie', figsize=(10,10), autopct='%.1f%%',

4.                           startangle=173, title='Top 20 Winners of World Cup', label='')

▼

分析結(jié)論1：

從贏球場(chǎng)數(shù)來(lái)看，巴西、德國(guó)、意大利、阿根廷四支球隊(duì)實(shí)力最強(qiáng)。

通過(guò)上面的分析，我們還可以來(lái)查看部分國(guó)家的獲勝情況

1. s.get('China', default = 'NA')

2. s.get('Japan', default = 'NA')

3. s.get('Korea DPR', default = 'NA')

4. s.get('Korea Republic', default = 'NA')

5. s.get('Egypt', default = 'NA')

運(yùn)行結(jié)果分別是 ‘NA’，4，1，5，‘NA’。

從結(jié)果來(lái)看，中國(guó)隊(duì)，在世界杯比賽上（不含預(yù)選賽）還沒(méi)有贏過(guò)。當(dāng)然，本次世界杯的黑馬-埃及隊(duì)，之前兩度進(jìn)入世界杯上，但也沒(méi)有贏過(guò)~~

上面分析的是贏球場(chǎng)數(shù)的情況，下面我們來(lái)看下進(jìn)球總數(shù)情況。

2.2 各個(gè)國(guó)家隊(duì)進(jìn)球總數(shù)量情況

1. df_score_home = df_FIFA[['home_team', 'home_score']]

2. column_update = ['team', 'score']

3. df_score_home.columns = column_update

4. df_score_away = df_FIFA[['away_team', 'away_score']]

5. df_score_away.columns = column_update

6. df_score = pd.concat([df_score_home,df_score_away], ignore_index=True)

7. s_score = df_score.groupby('team')['score'].sum()

8. s_score.sort_values(ascending=False, inplace=True)

9. s_score.sort_values(ascending=True, inplace=True)

10. s_score.tail(20).plot(kind='barh', figsize=(10,6), title='Top 20 in Total Scores of World Cup')

▼

分析結(jié)論2：

從進(jìn)球總數(shù)量來(lái)看，德國(guó)、巴西、阿根廷、意大利四支球隊(duì)實(shí)力最強(qiáng)。

上面分析的是自1872年以來(lái)的所有球隊(duì)的數(shù)據(jù)情況，下面，我們重點(diǎn)來(lái)分析下2018年世界杯32強(qiáng)的數(shù)據(jù)情況。

3、2018年世界杯32強(qiáng)分析

2018年世界杯的分組情況如下：

第一組：俄羅斯、德國(guó)、巴西、葡萄牙、阿根廷、比利時(shí)、波蘭、法國(guó)

第二組：西班牙、秘魯、瑞士、英格蘭、哥倫比亞、墨西哥、烏拉圭、克羅地亞

第三組：丹麥、冰島、哥斯達(dá)黎加、瑞典、突尼斯、埃及、塞內(nèi)加爾、伊朗

第四組：塞爾維亞、尼日利亞、澳大利亞、日本、摩洛哥、巴拿馬、韓國(guó)、沙特阿拉伯

獲取32強(qiáng)的所有數(shù)據(jù)

首先，判斷是否有隊(duì)伍首次打入世界杯。

1. team_list = ['Russia', 'Germany', 'Brazil', 'Portugal', 'Argentina', 'Belgium', 'Poland', 'France',

2.             'Spain', 'Peru', 'Switzerland', 'England', 'Colombia', 'Mexico', 'Uruguay', 'Croatia',

3.            'Denmark', 'Iceland', 'Costa Rica', 'Sweden', 'Tunisia', 'Egypt', 'Senegal', 'Iran',

4.            'Serbia', 'Nigeria', 'Australia', 'Japan', 'Morocco', 'Panama', 'Korea Republic', 'Saudi Arabia']

5. for item in team_list:

6.    if item not in s_score.index:

7.        print(item)

9. out:

10. Iceland

11. Panama

通過(guò)上述分析可知，冰島隊(duì)和巴拿馬隊(duì)是首次打入世界杯的。

由于冰島隊(duì)和巴拿馬隊(duì)是首次進(jìn)入世界杯，所以這里的32強(qiáng)數(shù)據(jù)，事實(shí)上是沒(méi)有這兩支隊(duì)伍的歷史數(shù)據(jù)的。

1. df_top32 = df_FIFA[(df_FIFA['home_team'].isin(team_list))&(df_FIFA['away_team'].isin(team_list))]

3.1 自1872年以來(lái)，32強(qiáng)數(shù)據(jù)情況

贏球場(chǎng)數(shù)情況

1. s_32 = df_top32.groupby('win_team')['win_team'].count()

2. s_32.sort_values(ascending=False, inplace=True)

3. s_32.drop(labels=['Draw'], inplace=True)

4. s_32.sort_values(ascending=True,inplace=True)

5. s_32.plot(kind='barh', figsize=(8,12), title='Top 32 of World Cup since year 1872')

▼

進(jìn)球數(shù)據(jù)情況

1. df_score_home_32 = df_top32[['home_team', 'home_score']]

2. column_update = ['team', 'score']

3. df_score_home_32.columns = column_update

4. df_score_away_32 = df_top32[['away_team', 'away_score']]

5. df_score_away_32.columns = column_update

6. df_score_32 = pd.concat([df_score_home_32,df_score_away_32], ignore_index=True)

7. s_score_32 = df_score_32.groupby('team')['score'].sum()

8. s_score_32.sort_values(ascending=False, inplace=True)

9. s_score_32.sort_values(ascending=True, inplace=True)

10. s_score_32.plot(kind='barh', figsize=(8,12), title='Top 32 in Total Scores of World Cup since year 1872')

▼

分析結(jié)論3：

自1872年以來(lái)，32強(qiáng)之間的世界杯比賽，從贏球場(chǎng)數(shù)和進(jìn)球數(shù)量來(lái)看，德國(guó)、巴西、阿根廷三支球隊(duì)實(shí)力最強(qiáng)。

自1872年到現(xiàn)在，已經(jīng)有100多年，時(shí)間跨度較大，有些國(guó)家已發(fā)生重大變化，后續(xù)分別分析自1978年（近10屆）以及2002年（近4屆）以來(lái)的比賽情況。

程序代碼是類(lèi)似的，這里只顯示可視化的結(jié)果。

3.2 自1978年以來(lái)，32強(qiáng)數(shù)據(jù)情況

贏球場(chǎng)數(shù)情況

▼

進(jìn)球數(shù)據(jù)情況

▼

分析結(jié)論4：

自1978年以來(lái)，32強(qiáng)之間的世界杯比賽，從贏球場(chǎng)數(shù)來(lái)看，阿根廷、德國(guó)、巴西三支球隊(duì)實(shí)力最強(qiáng)。從進(jìn)球數(shù)量來(lái)看，前3強(qiáng)也是這三支球隊(duì)，但德國(guó)隊(duì)的數(shù)據(jù)優(yōu)勢(shì)更明顯。

3.3 自2002年以來(lái)，32強(qiáng)數(shù)據(jù)情況

贏球場(chǎng)數(shù)情況

▼

進(jìn)球數(shù)據(jù)情況

▼

分析結(jié)論5：

自2002年以來(lái)，32強(qiáng)之間的世界杯比賽，從贏球場(chǎng)數(shù)和進(jìn)球數(shù)量來(lái)看，德國(guó)、阿根廷、巴西三支球隊(duì)實(shí)力最強(qiáng)。其中，德國(guó)隊(duì)的數(shù)據(jù)優(yōu)勢(shì)更明顯。

4、綜合結(jié)論

2018年世界杯的32支隊(duì)伍，根據(jù)以往的世界杯比賽數(shù)據(jù)來(lái)看，預(yù)測(cè)前三強(qiáng)為 德國(guó)、阿根廷和巴西，其中德國(guó)隊(duì)?wèi)?yīng)該是奪冠的最大熱門(mén)。

特別說(shuō)明：以上數(shù)據(jù)分析，純屬個(gè)人學(xué)習(xí)用，預(yù)測(cè)結(jié)果與實(shí)際情況可能偏差很大，不能用于其他用途。

本文是一次比較綜合的項(xiàng)目實(shí)戰(zhàn)，希望可以給大家?guī)?lái)一些啟發(fā)。 

- The End -