驚呆了！我用 Python 可視化分析和預(yù)測了 2022 年 FIFA 世界杯

作者：云朵君 2022-11-26 21:34:08

如果我們把進球看作是一場足球比賽90分鐘內(nèi)可能發(fā)生的事件，我們可以計算出A隊和B隊在一場比賽中可能進球的概率。

許多人稱足球為 "不可預(yù)測的游戲"，因為一場足球比賽有太多不同的因素可以改變最后的比分。

從某種程度上這是真的.....因此本文僅供學(xué)習(xí)參考！！

預(yù)測一場比賽的最終比分或贏家確實是很難的，但在預(yù)測一項比賽的贏家時就不是這樣了。在過去的5年中，Bayern Munich贏得了所有的德甲聯(lián)賽，而Manchester City則贏得了4個首發(fā)聯(lián)賽。其實這些都可以用來預(yù)測的。

經(jīng)過測試，本文建立的模型能成功地預(yù)測了在20-21賽季中期的所有英超、西甲、意甲和德甲這些聯(lián)賽的冠軍，這也是基于當(dāng)時已經(jīng)有近19場比賽了。同樣，我們使用該模型來預(yù)測下2022年世界杯，會不會有如此驚人的效果呢？一起拭目以待吧～

如何預(yù)測比賽呢？

有不同的方法來進行預(yù)測。我可以建立一個花哨的機器學(xué)習(xí)模型并給它提供多個變量，但在閱讀了一些論文后，我決定使用泊松分布試一試。

泊松分布有讀者會疑問，這是為什么呢？那接下來首先看一下泊松分布的定義。

泊松分布

有讀者會疑問，這是為什么呢？那接下來首先看一下泊松分布的定義。

泊松分布是一個離散的概率分布，描述了在一個固定的時間間隔或機會區(qū)域內(nèi)發(fā)生的事件的數(shù)量。

如果我們把進球看作是一場足球比賽90分鐘內(nèi)可能發(fā)生的事件，我們可以計算出A隊和B隊在一場比賽中可能進球的概率。

但這還不夠。我們?nèi)匀恍枰獫M足泊松分布的假設(shè)。

可以計算事件的數(shù)量（一場比賽可以有1、2、3或更多的進球）。
事件的發(fā)生是獨立的（一個目標(biāo)的發(fā)生不應(yīng)影響另一個目標(biāo)的概率）。
事件發(fā)生的速度是恒定的（在某一時間間隔內(nèi)發(fā)生目標(biāo)的概率對于相同長度的其他每一個時間間隔都應(yīng)該是完全相同的）。
兩個事件不可能在完全相同的時間內(nèi)發(fā)生（兩個目標(biāo)不可能同時發(fā)生）

毫無疑問，假設(shè)1和4是符合的，但2和3是部分正確的。也就是說，我們假設(shè)假設(shè)2和3總是正確的。

當(dāng)預(yù)測歐洲頂級聯(lián)賽的冠軍時，我繪制了過去5年前4個聯(lián)賽每場比賽的進球數(shù)柱狀圖。

4個聯(lián)賽的進球數(shù)柱狀圖

如果你看一下任何聯(lián)賽的擬合曲線，它看起來像泊松分布。

現(xiàn)在我們可以說，可以用泊松分布來計算一場比賽中可能出現(xiàn)的進球數(shù)的概率。

下面是泊松分布的公式。

為了進行預(yù)測，我考慮了。

lambda：90分鐘內(nèi)進球數(shù)的中位數(shù)（A隊和B隊）。
x：一場比賽中A隊和B隊可能進的球數(shù)

為了計算lambda，我們需要每個國家隊的平均進/丟球數(shù)。這將我們引向下一個問題。

每個國家隊的進球/丟球情況

數(shù)據(jù)清洗

讀取數(shù)據(jù)

df_historical_data = pd.read_csv('data/fifa_worldcup_matches.csv')
df_fixture = pd.read_csv('data/fifa_worldcup_fixture.csv')
df_missing_data = pd.read_csv('data/fifa_worldcup_missing_data.csv')

清洗df_fixture

df_fixture['home'] = df_fixture['home'].str.strip()
df_fixture['away'] = df_fixture['away'].str.strip()

清洗df_missing_data

df_missing_data.dropna(inplace=True)
df_historical_data = pd.concat([df_historical_data, df_missing_data], ignore_index=True)
df_historical_data.drop_duplicates(inplace=True)
df_historical_data.sort_values('year', inplace=True)
df_historical_data

?保存清洗過后的數(shù)據(jù)

df_historical_data.to_csv('clean_fifa_worldcup_matches.csv',index=False)
df_fixture.to_csv('clean_fifa_worldcup_fixture.csv',index=False)

數(shù)據(jù)可視化

# nation_position, club_position, player_positions
df = pd.read_csv('players_22.csv', low_memory=False)

# 選擇需要用的列
df = df[['short_name', 'age', 'nationality_name', 'overall', 'potential',
         'club_name', 'value_eur', 'wage_eur', 'player_positions']]

# 只選擇一個position
df['player_positions'] = df['player_positions'].str.split(',', expand=True)[0]

# 刪除缺失值
df.dropna(inplace=True)

players_missing_worldcup = ['K. Benzema', 'S. Mané', 'S. Agüero', 'Sergio Ramos',
                            'P. Pogba', 'M. Reus', 'Diogo Jota', 'A. Harit', 
                            'N. Kanté', 'G. Lo Celso', 'Piqué']

# 刪除受傷的球員
drop_index = df[df['short_name'].isin(players_missing_worldcup)].index
df.drop(drop_index, axis=0, inplace=True)

teams_worldcup = [
    'Qatar', 'Brazil', 'Belgium', 'France', 'Argentina', 'England', 'Spain', 'Portugal',
    'Mexico', 'Netherlands', 'Denmark', 'Germany', 'Uruguay', 'Switzerland', 'United States', 'Croatia',
    'Senegal', 'Iran', 'Japan', 'Morocco', 'Serbia', 'Poland', 'South Korea', 'Tunisia',
    'Cameroon', 'Canada', 'Ecuador', 'Saudi Arabia', 'Ghana', 'Wales', 'Costa Rica', 'Australia'
]

# 篩選國家隊
df = df[df['nationality_name'].isin(teams_worldcup)]

# 最佳球員
df.sort_values(by=['overall', 'potential', 'value_eur'], ascending=False, inplace=True)

球員分布

import numpy as np
fig, ax = plt.subplots(figsize=(12, 5), tight_layout=True)
sns.histplot(df, x='overall', binwidth=1)
bins = np.arange(df['overall'].min(), df['overall'].max(), 1)
plt.xticks(bins)
plt.show()

世界杯夢之隊球員

df.drop_duplicates('player_positions')

每個國家隊中最有技能的球員

df_best_players = df.copy()
df_best_players = df_best_players.drop_duplicates('nationality_name').reset_index(drop=True)
country_short =  df_best_players['nationality_name'].str.extract('(^\w{3})', expand=False).str.upper()
df_best_players['name_nationality'] = df_best_players['short_name'] +' (' + country_short + ')'

fig, ax = plt.subplots(figsize=(10, 6), tight_layout=True)

sns.barplot(df_best_players, x='overall', y='name_nationality',
            palette=sns.color_palette('pastel'), width=0.5)
plt.show()

每支球隊的最佳陣容

def best_squad(nationality):
    df_best_squad = df.copy()
    df_best_squad = df_best_squad.groupby(['nationality_name', 'player_positions']).head(2)
    df_best_squad = df_best_squad[df_best_squad['nationality_name']==nationality].sort_values(['player_positions', 'overall', 'potential'], ascending=False)
    return df_best_squad
best_squad('Brazil')

average_overall = [best_squad(team)['overall'].mean() for team in teams_worldcup]

df_average_overall = pd.DataFrame({'Teams': teams_worldcup, 'AVG_Overall': average_overall})
df_average_overall = df_average_overall.dropna()
df_average_overall = df_average_overall.sort_values('AVG_Overall', ascending=False)
df_average_overall

fig, ax = plt.subplots(figsize=(12, 5), tight_layout=True)

sns.barplot(df_average_overall[:10], x='Teams', y='AVG_Overall',
            palette=sns.color_palette('pastel'))
plt.show()

每支球隊的最佳陣型

def best_lineup(nationality, lineup):
    lineup_count = [lineup.count(i) for i in lineup]

    df_lineup = pd.DataFrame({'position': lineup, 'count': lineup_count})
    positions_non_repeated = df_lineup[df_lineup['count'] <= 1]['position'].values
    positions_repeated = df_lineup[df_lineup['count'] > 1]['position'].values

    df_squad = best_squad(nationality)

    df_lineup = pd.concat([
        df_squad[df_squad['player_positions'].isin(positions_non_repeated)].drop_duplicates('player_positions', keep='first'),
        df_squad[df_squad['player_positions'].isin(positions_repeated)]]
    )
    return df_lineup[['short_name', 'overall', 'club_name', 'player_positions']]
  
  
dict_formation = {
    '4-3-3': ['GK', 'RB', 'CB', 'CB', 'LB', 'CDM', 'CM', 'CAM', 'RW', 'ST', 'LW'],
    '4-4-2': ['GK', 'RB', 'CB', 'CB', 'LB', 'RM', 'CM', 'CM', 'LM', 'ST', 'ST'],
    '4-2-3-1': ['GK', 'RB', 'CB', 'CB', 'LB', 'CDM', 'CDM', 'CAM', 'CAM', 'CAM', 'ST'],
}

for index, row in df_average_overall[:9].iterrows():
    max_average = None
    for key, values in dict_formation.items():
        average = best_lineup(row['Teams'], values)['overall'].mean()
        if max_average is None or average>max_average:
            max_average = average
            formation = key
    print(row['Teams'], formation, max_average)

Spain 4-2-3-1 85.1
Portugal 4-2-3-1 84.9
England 4-4-2 84.45454545454545
Brazil 4-3-3 84.81818181818181
France 4-2-3-1 83.9
Argentina 4-3-3 83.54545454545455
Germany 4-2-3-1 84.1
Belgium 4-3-3 82.54545454545455
Netherlands 4-4-2 82.54545454545455

# best_lineup('Spain', dict_formation['4-2-3-1'])
# best_lineup('Argentina', dict_formation['4-3-3'])
best_lineup('Brazil', dict_formation['4-3-3'])

由于在世界杯中，幾乎所有的球隊都在中立球場比賽，所以在這次分析中沒有考慮主場/客場的因素。

一旦有了每個國家隊的進/丟球數(shù)，就創(chuàng)建了一個函數(shù)，預(yù)測每支球隊在小組賽中會得到多少分。

預(yù)測小組賽階段

下面是我用來預(yù)測每個國家隊在小組賽階段會得到多少分的代碼。

計算球隊實力

dict_table = pickle.load(open('dict_table','rb'))
df_historical_data = pd.read_csv('clean_fifa_worldcup_matches.csv')
df_fixture = pd.read_csv('clean_fifa_worldcup_fixture.csv')
df_home = df_historical_data[['HomeTeam', 'HomeGoals', 'AwayGoals']]
df_away = df_historical_data[['AwayTeam', 'HomeGoals', 'AwayGoals']]

df_home = df_home.rename(columns={'HomeTeam':'Team', 'HomeGoals': 'GoalsScored', 'AwayGoals': 'GoalsConceded'})
df_away = df_away.rename(columns={'AwayTeam':'Team', 'HomeGoals': 'GoalsConceded', 'AwayGoals': 'GoalsScored'})

df_team_strength = pd.concat([df_home, df_away], ignore_index=True).groupby(['Team']).mean()
df_team_strength

from scipy.stats import poisson
def predict_points(home, away):
    if home in df_team_strength.index and away in df_team_strength.index:
        lamb_home = df_team_strength.at[home,'GoalsScored'] * df_team_strength.at[away,'GoalsConceded']
        lamb_away = df_team_strength.at[away,'GoalsScored'] * df_team_strength.at[home,'GoalsConceded']
        prob_home, prob_away, prob_draw = 0, 0, 0
        for x in range(0,11): #number of goals home team
            for y in range(0, 11): #number of goals away team
                p = poisson.pmf(x, lamb_home) * poisson.pmf(y, lamb_away)
                if x == y:
                    prob_draw += p
                elif x > y:
                    prob_home += p
                else:
                    prob_away += p
        
        points_home = 3 * prob_home + prob_draw
        points_away = 3 * prob_away + prob_draw
        return (points_home, points_away)
    else:
        return (0, 0)

通俗地說，predict_points 計算的是主隊和客隊會得到多少分。這里使用公式計算每支球隊的lambda，即average_goals_scored * average_goals_conceded 。

然后模擬了一場比賽從0-0到10-10的所有可能的比分（最后的那個比分只是我的進球范圍的極限）。一旦有了lambda和x，就可以使用泊松分布的公式來計算p。

prob_home、prob_draw和prob_away分別累積了p的值，如果說比賽以1-0（主場獲勝）、1-1（平局）或0-1（客場獲勝）結(jié)束。最后，用下面的公式計算積分。

point_home = 3 * prob_home + prob_draw
point_away = 3 * prob_away + prob_draw

如果我們用predict_points來預(yù)測英格蘭對美國的比賽，我們會得到這個結(jié)果。

>>> print(predict_points('England', 'United States'))
(2.2356147635326007, 0.5922397535606193)

這意味著英格蘭將得到2.23分，而美國將得到0.59分。因為這里使用的是概率，因此得到的是小數(shù)。

如果將這個predict_points函數(shù)應(yīng)用于小組賽階段的所有比賽，我們將得到每個小組的第1和第2名，從而得到以下淘汰賽的比賽。

df_fixture_group_48 = df_fixture[:48].copy()
df_fixture_knockout = df_fixture[48:56].copy()
df_fixture_quarter = df_fixture[56:60].copy()
df_fixture_semi = df_fixture[60:62].copy()
df_fixture_final = df_fixture[62:].copy()

for group in dict_table:
    teams_in_group = dict_table[group]['Team'].values
    df_fixture_group_6 = df_fixture_group_48[df_fixture_group_48['home'].isin(teams_in_group)]
    for index, row in df_fixture_group_6.iterrows():
        home, away = row['home'], row['away']
        points_home, points_away = predict_points(home, away)
        dict_table[group].loc[dict_table[group]['Team'] == home, 'Pts'] += points_home
        dict_table[group].loc[dict_table[group]['Team'] == away, 'Pts'] += points_away

    dict_table[group] = dict_table[group].sort_values('Pts', ascending=False).reset_index()
    dict_table[group] = dict_table[group][['Team', 'Pts']]
    dict_table[group] = dict_table[group].round(0)
    
dict_table['Group A']

預(yù)測淘汰賽

df_fixture_knockout

for group in dict_table:
    group_winner = dict_table[group].loc[0, 'Team']
    runners_up = dict_table[group].loc[1, 'Team']
    df_fixture_knockout.replace({f'Winners {group}':group_winner,
                                 f'Runners-up {group}':runners_up}, inplace=True)

df_fixture_knockout['winner'] = '?'
df_fixture_knockout

df_fixture_knockout['winner'] = '?' df_fixture_knockout 圖片對于淘汰賽，我不需要預(yù)測分?jǐn)?shù)，而是預(yù)測每個小組的獲勝者。這就是為什么我在之前的 predict_points 函數(shù)基礎(chǔ)上創(chuàng)建了一個新的 get_winner 函數(shù)。

def get_winner(df_fixture_updated):
    for index, row in df_fixture_updated.iterrows():
        home, away = row['home'], row['away']
        points_home, points_away = predict_points(home, away)
        if points_home > points_away:
            winner = home
        else:
            winner = away
        df_fixture_updated.loc[index, 'winner'] = winner
    return df_fixture_updated

簡單地說，如果主隊的積分大于客隊的積分，那么贏家就是主隊，否則，贏家就是客隊。

使用get_winner函數(shù)可以得到如下的結(jié)果。

預(yù)測四分之一決賽、半決賽和決賽的情況

def update_table(df_fixture_round_1, df_fixture_round_2):
    for index, row in df_fixture_round_1.iterrows():
        winner = df_fixture_round_1.loc[index, 'winner']
        match = df_fixture_round_1.loc[index, 'score']
        df_fixture_round_2.replace({f'Winners {match}':winner}, inplace=True)
    df_fixture_round_2['winner'] = '?'
    return df_fixture_round_2

四分之一決賽

半決賽

決賽

如果我使用 get_winner，我可以預(yù)測世界杯的冠軍。這是最后的結(jié)果！!

通過再一次運行該函數(shù)，我得到的贏家是...巴西!

責(zé)任編輯：武曉燕來源：數(shù)據(jù)STUDIO

Python 可視化世界杯