python案例认为上半场会否互交白卷？

wen python案例 2026-09-01 179

本文目录导读：

案例一：基于泊松分布的数学建模（理想模拟）
案例二：基于历史数据的频率统计（实战模拟）
代码解释与总结
怎么运行？

这是一个非常有趣的案例！在足球数据统计中，“上半场互交白卷”（0-0） 是一个可以构建在概率模型之上的预测问题。

我们可以通过 Python 结合 泊松分布（Poisson Distribution） 或 历史数据统计 来做一个简单的预测案例。

下面我为你提供两个经典的 Python 案例：

基于泊松分布的数学建模（理想模拟）

这个案例假设每支球队的进球率服从泊松分布,我们通过计算“上半场两队总进球数为 0”的概率来预测。

import math
def poisson_probability(actual, mean):
    """计算泊松分布概率"""
    # 泊松公式: P(x) = (e^-mean) * (mean^x) / x!
    return (math.exp(-mean) * mean**actual) / math.factorial(actual)
def predict_half_time_draw_zero(home_avg, away_avg, half_factor=0.45):
    """
    预测上半场互交白卷的概率
    :param home_avg: 主队场均总进球数 (90分钟)
    :param away_avg: 客队场均总进球数 (90分钟)
    :param half_factor: 上半场进球占比（通常取0.4-0.5，代表上半场节奏较慢）
    """
    # 计算上半场平均预期进球
    home_half_avg = home_avg * half_factor
    away_half_avg = away_avg * half_factor
    # 两队上半场都进0球的概率
    p_home_zero = poisson_probability(0, home_half_avg)
    p_away_zero = poisson_probability(0, away_half_avg)
    # 独立事件相乘
    p_both_zero = p_home_zero * p_away_zero
    return p_both_zero
# 示例：主队场均2.5球，客队场均1.2球
home_total_avg = 2.5
away_total_avg = 1.2
probability = predict_half_time_draw_zero(home_total_avg, away_total_avg)
print(f"预测上半场0-0的概率为: {probability*100:.2f}%")
# 对比：如果两队攻击力都很弱
prob_weak = predict_half_time_draw_zero(0.8, 0.9)
print(f"弱队对阵时上半场0-0的概率为: {prob_weak*100:.2f}%")
# 对比：如果两队攻击力都很强
prob_strong = predict_half_time_draw_zero(2.8, 2.5)
print(f"强队对阵时上半场0-0的概率为: {prob_strong*100:.2f}%")

基于历史数据的频率统计（实战模拟）

这个案例模拟我们有一份过往比赛的数据集（比如英超历史数据），我们直接统计“上半场两队都没进球”的频率，并用 Python 进行简单的前瞻性分析。

import pandas as pd
import numpy as np
# 模拟生成一份历史比赛数据 (假设有 1000 场比赛)
np.random.seed(42)  # 固定随机种子以便结果可复现
# 生成历史数据：包含总进球数和上半场进球数（模拟）
n_matches = 1000
total_goals = np.random.poisson(lam=2.7, size=n_matches)  # 平均总进球数
first_half_goals = np.random.binomial(total_goals, 0.45)  # 上半场进球占比
data = pd.DataFrame({
    'total_goals': total_goals,
    'first_half_goals': first_half_goals
})
# 1. 计算历史中上半场0-0的频率（先验概率）
hist_0_0_freq = (data['first_half_goals'] == 0).mean()
print(f"历史数据中上半场0-0的频率(先验概率): {hist_0_0_freq*100:.2f}%")
# 2. 寻找特征：当两队近期防守好（即总进球少）时，概率是否有变化？
# 假设我们有一个新赛季的球队数据（模拟）
def predict_based_on_team_strength(home_concede_avg, away_score_avg):
    # 逻辑：如果主队防守好（失球少）且客队进攻弱（进球少），则概率高
    # 这里简化为：概率 = 基础概率 + 防守加成
    base_prob = hist_0_0_freq
    # 假设防守好（场均失球<1.0）会提升概率
    adjustment = 0
    if home_concede_avg < 1.0:
        adjustment += 0.05
    if away_score_avg < 1.0:
        adjustment += 0.05
    if (home_concede_avg + away_score_avg) < 2.0:
        adjustment += 0.05
    predicted_prob = min(base_prob + adjustment, 0.5)  # 不超过50%
    return predicted_prob
# 示例预测
# 比赛对阵：曼城（防守好） vs 谢菲联（进攻弱）
prob1 = predict_based_on_team_strength(home_concede_avg=0.8, away_score_avg=0.7)
print(f"预测曼城 vs 谢菲联 上半场0-0概率: {prob1*100:.2f}%")
# 比赛对阵：利物浦（防守一般） vs 阿森纳（进攻强）
prob2 = predict_based_on_team_strength(home_concede_avg=1.2, away_score_avg=2.0)
print(f"预测利物浦 vs 阿森纳 上半场0-0概率: {prob2*100:.2f}%")

代码解释与总结

泊松分布（案例一）：这是业界常用的方法。
- 核心逻辑：计算“主队上半场进0球”和“客队上半场进0球”的独立概率，然后相乘。
- 注意：实际中两队进球不独立，但这是基础简化模型。
- 输出值通常在 20% - 35% 之间，英超历史上上半场0-0的概率大约是 25% - 30%。
历史数据（案例二）：
- 这种方法更贴近实际“数据挖掘”，通过历史频率（先验概率）结合球队当前状态（特征工程，如防守强度、进攻效率）来调整预测。
- 这里用 np.random 模拟了数据，实际使用中应加载真实数据（如 statsbomb 或 football-data.co.uk 的CSV）。