我用Python提前“算”出了2018世界杯奪冠球隊（第二彈......）

作者：Lemonbit 2018-06-26 09:59:06

開發后端

2018 年世界杯小組賽已經在如火如荼的進行中。在上篇文章我用Python分析了4W場比賽，2018世界杯冠軍竟然是……的基礎上，我們繼續分析世界杯 32 強的實力情況，以便能夠更進一步分析本次世界杯的奪冠熱門球隊。

三十年河東三十年河西，對于世界杯而言，這個時間可能 4 年就足夠。前幾場爆冷，使得天臺上已經擁擠不堪，跳水的股市更是讓天臺一度混亂。

在文章開始之前，提醒大家：賭球有風險，看球須盡興。本文的重點是通過分析 32 強之間的比賽，透過歷史數據來預測奪冠熱門球隊。

本次分析的數據來源于 Kaggle，包含從 1872 年到今年的數據，包括世界杯比賽、世界杯預選賽、亞洲杯、歐洲杯、國家之間的友誼賽等比賽，一共大約 40000 場比賽的情況。

本次的環境為：

Window 7 系統
Python 3.6
Jupyter Notebook
pandas version 0.22.0

先來看看數據的情況：

import pandas as pd 
import matplotlib.pyplot as plt 
%matplotlib inline 
plt.style.use('ggplot') 
# 解決matplotlib顯示中文問題 
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默認字體 
plt.rcParams['axes.unicode_minus'] = False  # 解決保存圖像是負號'-'顯示為方塊的問題 
df = pd.read_csv('results.csv') 
df.head()

該數據集包含的數據列的信息如下：

日期
主隊名稱
客隊名稱
主隊進球數（不含點球）
客隊進球數（不含點球）
比賽的類型
比賽所在城市
比賽所在國家
是否中立

結果如下：

獲取所有世界杯比賽的數據（含預選賽）

創建一個新的列數據，包含獲勝隊伍的信息，以及獲取所有世界杯比賽的數據，包含預選賽。

mask = df['home_score'] - df['away_score'] 
df.loc[mask > 0, 'win_team'] = df.loc[mask > 0, 'home_team'] 
df.loc[mask < 0, 'win_team'] = df.loc[mask < 0, 'away_team'] 
df.loc[mask == 0, 'win_team'] = 'Draw' 
df_FIFA_all = df[df['tournament'].str.contains('FIFA', regex=True)]

結果如下：

世界杯戰績分析（含預選賽）

從前文來看，在世界杯歷史上，實力最強的 5 支球隊是德國、阿根廷、巴西、法國、西班牙。

接下來，我們將比賽的范圍擴大至包含世界杯預選賽，通過 5 支球隊之間的比賽情況來進行分析。

team_top5 = ['Germany', 'Argentina', 'Brazil', 'France', 'Spain'] 
df_FIFA_top5 = df_FIFA_all[(df_FIFA_all['home_team'].isin(team_top5))& 
                                        (df_FIFA_all['away_team'].isin(team_top5))] 
df_FIFA_top5.shape 
out: 
(43, 10)

在世界杯歷史上，5 支球隊在共有 43 場比賽相遇。

通過這 43 場比賽分析后，5 支球隊的勝負場數排名如下：

s_FIFA_top5 = df_FIFA_top5.groupby('win_team')['win_team'].count() 
s_FIFA_top5.drop('Draw', inplace=True) 
s_FIFA_top5.sort_values(ascending=False, inplace=True) 
s_FIFA_top5.plot(kind='bar', figsize=(10,6), title='Top Five in World Cup')

結果如下：

下面，著重來分析下這 5 支球隊，在世界杯上，兩兩對陣時的勝負情況。

首先自定義兩個函數，分別獲得兩支球隊獲勝場數情況以及自定義繪圖函數，代碼如下：

# 自定義函數，返回兩支球隊獲勝場數情況 
def team_vs(df,team_A,team_B): 
    df_team_A_B = df[(df['home_team'].isin([team_A,team_B]))& 
                                        (df['away_team'].isin([team_A,team_B]))] 
    s_win_team = df_team_A_B.groupby('win_team')['win_team'].count() 
    return s_win_team 
# 如需獲取本文源代碼，請關注公眾號“Python數據之道”， 
# 在公眾號后臺回復 “code” ，謝謝大家支持。 
# 自定義函數，兩支球隊在世界杯的對陣勝負情況制圖 
def team_vs_plot(df,team_A,team_B,ax): 
    s_win_FIFA = team_vs(df,team_A,team_B) 
    title = team_A + ' vs ' +team_B 
    s_win_FIFA.plot(kind='bar', ax =ax) 
    ax.set_xlabel('') 
    ax.set_title(title,fontdict={'fontsize':10}) 
    ax.set_xticklabels(s_win_FIFA.index, rotation=20)

基于上述函數，分析世界杯戰績的結果如下：

巴西 vs 其他 4 支球隊

f, axes = plt.subplots(figsize=(10,10), ncols=2, nrows=2) 
ax1, ax2,ax3,ax4 = axes.ravel() 
team_vs_plot(df_FIFA_all,'Brazil','Germany',ax=ax1) 
team_vs_plot(df_FIFA_all,'Brazil','Argentina',ax=ax2) 
team_vs_plot(df_FIFA_all,'Brazil','France',ax=ax3) 
team_vs_plot(df_FIFA_all,'Brazil','Spain',ax=ax4) 
# 如需獲取本文源代碼，請關注公眾號“Python數據之道”， 
# 在公眾號后臺回復 “code” ，謝謝大家支持。 
# set main title of the figure 
plt.suptitle('Brazil vs other Top 4 teams in World Cup', fontsize=14, fontweight='bold', x=0.5, y=0.94) 
plt.show()

結果如下：

統計現象 1：

在世界杯上的戰績，統計獲勝場數如下（不含平局）：

巴西 1：1 德國，巴西 6：3 阿根廷，巴西 1：2 法國，巴西 3：1 西班牙

巴西隊，輸贏不好判斷……

德國 vs 其他 3 支球隊

代碼跟 2.1 部分是類似的，結果如下：

統計現象 2：

在世界杯上的戰績，統計獲勝場數如下（不含平局）：

德國 4：1 阿根廷，德國 2：1 法國，德國 2：1 西班牙

德國在這 5 支球隊里，獲勝的優勢相對比較明顯。

阿根廷 vs 其他 2 支球隊

代碼跟 2.1 部分是類似的，結果如下：

統計現象3：

在世界杯上的戰績，統計獲勝場數如下（不含平局）：

阿根廷 2：0 法國，阿根廷 1：0 西班牙

但阿根廷不敵巴西和德國

西班牙 vs 法國

綜合小結論：從歷屆世界杯上的表現情況來看，分析 5 強之間兩兩對陣后，發現德國隊的表現是最好的，其次巴西和阿根廷的表現也不錯。

考慮到，歷屆世界杯的數據，時間跨度很大，很多球隊已經發生了很大變化。

球隊真實的情況，可能選擇近幾年的比賽，以及包含不同級別的比賽，可能分析效果要更好些。

下面，重點來分析 2014 年以來包含所有比賽的情況。

2014 年以來，所有比賽的戰績對比

首先，時間選擇 2014 年之后（含 2014 年），距離現在的時間比較近，相對來說，球隊人員的組成變化小一些。

當然，這里的時間選擇，對于結果是有影響的。大家可以探討下這個因素帶來的影響。

2014 年以來所有球隊所有比賽勝負情況概覽：

df['date'] = pd.to_datetime(df['date']) 
df['year'] = df['date'].dt.year 
df_since_2014 = df[df['year']>=2014] 
df_since_2014.shape

2014 年以來，共有 3600 多場比賽。針對 3600 多場比賽分析后，勝負場數情況如下：

s_all = df_since_2014.groupby('win_team')['win_team'].count() 
s_all.drop('Draw', inplace=True) 
s_all.sort_values(ascending=True, inplace=True) 
s_all.tail(50).plot(kind='barh', figsize=(8,16), tick_label='',title='Top 50 in all tournament since 2014')

從上圖來看，2014 年以來，墨西哥，法國，德國、葡萄牙、巴西、比利時、韓國和西班牙表現相對較好。

結果是不是跟想象中的有些差異？6 月 17 日的小組賽，德國不敵墨西哥，看來也不是全無理由的。

但是，本次我們主要還是要考慮 32 強之間的對陣，這樣更能反映現實情況。

2014 年以來 32 強相互之間在所有比賽中的概覽情況：

team_list = ['Russia', 'Germany', 'Brazil', 'Portugal', 'Argentina', 'Belgium', 'Poland', 'France', 
             'Spain', 'Peru', 'Switzerland', 'England', 'Colombia', 'Mexico', 'Uruguay', 'Croatia', 
            'Denmark', 'Iceland', 'Costa Rica', 'Sweden', 'Tunisia', 'Egypt', 'Senegal', 'Iran', 
            'Serbia', 'Nigeria', 'Australia', 'Japan', 'Morocco', 'Panama', 'Korea Republic', 'Saudi Arabia'] 
df_top32 = df_since_2014[(df_since_2014['home_team'].isin(team_list))&(df_since_2014['away_team'].isin(team_list))] 
s_top32 = df_top32.groupby('win_team')['win_team'].count() 
s_top32.drop('Draw', inplace=True) 
s_top32.sort_values(ascending=True, inplace=True) 
s_top32.plot(kind='barh', figsize=(8,12), tick_label='',title='Top 32 in all tournament since 2014') 
# plt.ylabel('')

從上圖來看，自 2014 年以來，巴西、法國、葡萄牙、阿根廷、墨西哥、比利時、德國、西班牙、英國為前 9 強。

下面我們來分析 Top 9 之間的勝負情況：

team_top9 = [ 'Brazil', 'France', 'Portugal', 
             'Argentina','Mexico','Belgium', 
             'Germany','Spain','England'] 
df_top9 = df_since_2014[(df_since_2014['home_team'].isin(team_top9))& 
                        (df_since_2014['away_team'].isin(team_top9))] 
df_top9.shape

2014 年以來，Top 9 之間一共踢了 44 場比賽（包括友誼賽）。

總體來說，比賽的場數不是太多，基于這些數據來分析，可能對結果會有較大的影響。

九強排名如下：

s_top9 = df_top9.groupby('win_team')['win_team'].count() 
s_top9.drop('Draw', inplace=True) 
s_top9.sort_values(ascending=False, inplace=True) 
s_top9.plot(kind='bar', figsize=(10,6), title='Top 9 in all tournament since 2014')

來查看下都統計了哪些類型的比賽：

s_tournament = df_top9.groupby('tournament')['tournament'].count() 
s_tournament_percentage = s_tournament/s_tournament.sum() 
# s_tournament_percentage.sort_values(ascending=False, inplace=True) 
s_tournament_percentage.tail(20).plot(kind='pie', figsize=(10,10), autopct='%.1f%%', 
                           startangle=150, title='percentage of tournament', label='', 
                                     labeldistance=1.25, pctdistance=1.08)

從上面來看，友誼賽占的比例較大。考慮到友誼賽在有些情況下可能不能比較準確的反映出球隊的真實水平，且友誼賽占的場數比例較大，我們剔除友誼賽再來看看結果情況。

2014 年以來 32 強剔除友誼賽后的勝負情況概覽：

df_top9_no_friendly = df_top9[df_top9['tournament']!= 'Friendly'] 
df_top9_no_friendly.groupby('tournament')['tournament'].count() 
out: 
tournament 
Confederations Cup              3 
FIFA World Cup                  6 
FIFA World Cup qualification    2 
UEFA Euro                       2 
Name: tournament, dtype: int64

剔除友誼賽后，比賽類型分布如下：

剔除友誼賽后，Top 9 的情況如下：

在概覽中可以看出，是否剔除友誼賽（Friendly），對排名還是有影響的。

另外，剔除友誼賽后，總的比賽場數更少了（只有 13 場），9 強之間有些隊伍沒有比賽，或者沒有贏過，這個數據用來分析的作用更有限。

當然，在分析中是否要剔除友誼賽，應該是值得商榷的。

九強兩兩對陣的勝負情況概覽

這里，我們后續分析采用包含友誼賽的數據，來分別分析9強之間兩兩對陣的情況，看看哪支球隊的勝率更高些。

首先自定義幾個函數，方便進行分析。自定義獲取球隊某年至今獲勝比例函數：

# 自定義獲取球隊某年至今獲勝比例函數 
def probability(df,year,team_A,team_B): 
    prob = [] 
    df_year = df[df['year']>= year] 
    s = team_vs(df_year,team_A,team_B) 
    s_team_A = 0 if s.get(team_A) is None else s.get(team_A) 
    s_A_win = s_team_A/s.sum() 
    s_team_B = 0 if s.get(team_B) is None else s.get(team_B) 
    s_B_win = s_team_B/s.sum() 
    s_draw = 1 - s_A_win - s_B_win 
    prob.append(year) 
    prob.append(s_A_win) 
    prob.append(s_B_win) 
    prob.append(s_draw) 
    return prob

自定義獲取兩支球隊歷史獲勝情況對比函數：

# 自定義獲取兩支球隊歷史獲勝情況對比函數 
def his_team_data(df,year_start,year_end,team_A,team_B): 
    row_team = [] 
#     df_team = pd.DataFrame(columns=('year', 'team_A_win', 'team_B_win', 'draw')) 
    for yr in list(range(year_start,year_end+1)): 
        team_A_vs_team_B = probability(df,yr,team_A,team_B) 
        row_team.append(team_A_vs_team_B) 
    team_A_win = team_A + '_win_percentage' 
    team_B_win = team_B + '_win_percentage' 
    df_team = pd.DataFrame(row_team, columns=('year', team_A_win, team_B_win, 'draw_percentage')) 
    return df_team

自定義兩支球隊歷史獲勝情況制圖函數：

# 自定義兩支球隊歷史獲勝情況制圖函數 
def team_plot(df,year_start,year_end,team_A,team_B,ax): 
    team_A_vs_team_B = team_A + '_vs_' + team_B 
    team_A_vs_team_B = his_team_data(df,year_start,year_end,team_A,team_B) 
    title = team_A + ' vs ' + team_B 
    columns = [team_A+'_win_percentage',team_B+'_win_percentage','draw_percentage'] 
    team_A_vs_team_B.set_index('year')[columns].plot(kind='line',figsize=(10,6), title=title,ax=ax)

這些函數有什么用呢，首先我們來分析下巴西 vs 德國的情況，如下：

team_A = 'Brazil' 
team_B = 'Germany' 
f, axes = plt.subplots(figsize=(6,12), ncols=1, nrows=2) 
ax1, ax2 = axes.ravel() 
team_plot(df,1930,2016,team_A,team_B,ax1) 
ax1.set_xlabel('') 
team_plot(df,2000,2016,team_A,team_B,ax2) 
ax2.set_title('') 
plt.show()

上述圖中，x 軸代表的含義是從某年至今（數據集含有部分 2018 年的比賽數據），兩支球隊的勝負情況。

例如 2012 對應的是德國跟巴西從 2012 年至今，兩支球隊的勝負情況。所以，時間越早，兩支球隊的比賽數量越多，數據曲線的波動可能要小些。

但由于球隊的成員組成在不斷的變化，會導致越早的數據，其分析價值越弱。因此，選擇合適的年份進行分析就顯得很重要。

有童鞋說，如果我要同時分析德國對陣另外 8 支球隊呢？

這里，用上面的函數，也是很迅速的，代碼如下：

team_A = 'Germany' 
for team in ['France','Portugal', 'Argentina','Mexico','Belgium','Brazil','Spain','England']: 
    team_B = team 
    f, axes = plt.subplots(figsize=(6,12), ncols=1, nrows=2) 
    ax1, ax2 = axes.ravel() 
    team_plot(df,1930,2016,team_A,team_B,ax1) 
    ax1.set_xlabel('') 
    team_plot(df,2000,2016,team_A,team_B,ax2) 
    ax2.set_title('') 
    plt.show()