python案例认为平局的可能性大不大？

wen python案例 2026-08-22 3

本文目录导读：

目录导读
核心问题：为什么“平局”是建模难点？
数据准备：从FootyStats获取历史赔率与赛果
特征工程：构建主场优势、近期状态、交锋记录等因子
模型构建：逻辑回归 vs 随机森林 vs 贝叶斯分层模型
案例复现：英超2023赛季末轮平局预测实战
结果解读：平局概率真的“小”吗？——阈值与赔率博弈
常见问答（FAQ）

Python量化分析足球平局概率：基于历史数据的贝叶斯推断实战

目录导读

核心问题：为什么“平局”是建模难点？
数据准备：从FootyStats获取历史赔率与赛果
特征工程：构建主场优势、近期状态、交锋记录等因子
模型构建：逻辑回归 vs 随机森林 vs 贝叶斯分层模型
案例复现：英超2023赛季末轮平局预测实战
结果解读：平局概率真的“小”吗？——阈值与赔率博弈
常见问答（FAQ）

核心问题：为什么“平局”是建模难点？

在足球博彩市场中，平局（Draw）的赔率通常高于主胜和客胜，原因在于其历史发生率约在24%-27%之间（五大联赛），而市场为了平衡投注流向，会将平局赔率拉高至3.2-3.6区间，但问题在于：平局不是“随机噪声”，它受战术、红牌、天气等非线性因素影响极大。

用Python建模时，常见的错误是直接对“1X2”标签做多分类，导致平局类样本不足（约25%），模型容易欠拟合，本文采用贝叶斯泊松对数正态模型，将平局视为“主队进球数=客队进球数”的派生事件,从而利用进球分布间接计算平局概率。

数据准备：从FootyStats获取历史赔率与赛果

import pandas as pd
import numpy as np
from scipy.stats import poisson, norm
# 模拟数据（实际可替换为API）
np.random.seed(42)
n = 500
home_goals = np.random.poisson(1.4, n)
away_goals = np.random.poisson(1.2, n)
draw_flags = (home_goals == away_goals).astype(int)
df = pd.DataFrame({'home': home_goals, 'away': away_goals, 'draw': draw_flags})
df['home_odds'] = 1.0 + np.random.rand(n)*1.5
df['away_odds'] = 1.5 + np.random.rand(n)*2.0
df['draw_odds'] = 2.8 + np.random.rand(n)*1.0

关键点：不要直接预测平局标签，而是分别预测主队进球期望λ_home和客队进球期望λ_away，然后计算P(λ_home == λ_away)的离散积分。

特征工程：构建主场优势、近期状态、交锋记录等因子

有效特征包括：

主场ELO评级差（需从Kaggle或自定义计算）
近5场均进球（滑动窗口）
双方防守强度（对手射正率）
周中杯赛后的体力消耗（用“距上一场天数”代理）

示例代码：

df['home_form'] = df['home'].rolling(5, min_periods=1).mean()
df['away_form'] = df['away'].rolling(5, min_periods=1).mean()
df['goal_diff'] = df['home_form'] - df['away_form']

模型构建：逻辑回归 vs 随机森林 vs 贝叶斯分层模型

1 朴素逻辑回归（基线）

from sklearn.linear_model import LogisticRegression
X = df[['home_form', 'away_form', 'goal_diff']]
y = df['draw']
lr = LogisticRegression().fit(X, y)
print(lr.score(X, y))  # 约0.73（但泛化差）

2 贝叶斯泊松模型（推荐）

import pymc as pm
with pm.Model() as model:
    # 先验
    mu_home = pm.Normal('mu_home', mu=1.3, sigma=0.3)
    mu_away = pm.Normal('mu_away', mu=1.1, sigma=0.3)
    beta_home_adv = pm.Normal('beta_home_adv', mu=0.2, sigma=0.1)
    # 期望进球（log链接）
    lam_home = pm.math.exp(mu_home + beta_home_adv * df['goal_diff'])
    lam_away = pm.math.exp(mu_away - beta_home_adv * df['goal_diff'])
    # 观测
    obs_home = pm.Poisson('obs_home', mu=lam_home, observed=df['home'])
    obs_away = pm.Poisson('obs_away', mu=lam_away, observed=df['away'])
    # 后验推断
    trace = pm.sample(1000, tune=1000, cores=2)

平局概率计算：对后验样本,对每个进球数k从0到10求和：

draw_prob = np.mean([np.sum(poisson.pmf(k, trace['mu_home'][i]) * poisson.pmf(k, trace['mu_away'][i])) 
                     for i in range(0, len(trace), 20)])