综合python案例，大小球走势怎么看？

wen python案例 2026-10-29 3

用 Python 分析大小球走势的完整思路

"大小球"是博彩/竞彩里的玩法，指预测一场比赛总进球数是否超过某个盘口（如 2.5 球），用 Python 分析走势，本质是对进球数据进行统计建模与可视化，下面给出一套可落地的案例框架。

数据准备

需要的基础字段（每场比赛一行）：

字段	说明
date	比赛日期
home / away	主客队
home_goals / away_goals	进球数
total_goals	总进球 = 主+客
line	当时盘口（如 2.5）
over_odds / under_odds	大小球赔率
result	大/小（total_goals 与 line 比较）

import pandas as pd
import numpy as np
df = pd.read_csv("matches.csv", parse_dates=["date"])
df["total_goals"] = df["home_goals"] + df["away_goals"]
df["is_over"] = (df["total_goals"] > df["line"]).astype(int)

走势分析的核心维度

进球数分布（判断盘口合理性）

import matplotlib.pyplot as plt
dist = df["total_goals"].value_counts().sort_index()
print(dist / len(df))          # 各进球数占比
# 关键：>2.5 的比例就是"大球"的历史概率
p_over = (df["total_goals"] > 2.5).mean()
print(f"2.5球大球率: {p_over:.2%}")

若历史大球率 ≈ 50%，说明 2.5 盘口定价合理；若明显偏离，就有价值空间。

滚动走势（时间维度）

# 按时间排序后计算滚动大球率
df = df.sort_values("date")
df["roll_over"] = df["is_over"].rolling(50).mean()
plt.plot(df["date"], df["roll_over"])
plt.axhline(0.5, color="red", ls="--")"近50场大球率走势")
plt.show()

滚动均值能看出联赛/球队进球趋势是升是降，比单看总平均更有意义。

分盘口统计（不同 line 分开看）

by_line = df.groupby("line")["is_over"].agg(["mean", "count"])
print(by_line)

不同盘口（2.0 / 2.5 / 3.0）的大球率要分开算，混在一起会失真。

主客场 / 球队维度

# 各队主场比赛的总进球均值，找"大球队"
home_stats = df.groupby("home")["total_goals"].agg(["mean", "count"])
home_stats = home_stats[home_stats["count"] >= 10].sort_values("mean", ascending=False)
print(home_stats.head(10))

进阶：赔率隐含概率 vs 实际概率

这是"看走势"最有价值的部分——发现赔率与真实概率的偏离。

# 赔率转隐含概率（含抽水，需归一化）
df["p_over_odds"] = 1 / df["over_odds"]
df["p_under_odds"] = 1 / df["under_odds"]
total = df["p_over_odds"] + df["p_under_odds"]
df["p_over_implied"] = df["p_over_odds"] / total   # 去抽水后的隐含概率
# 对比实际大球率
actual = df["is_over"].mean()
implied = df["p_over_implied"].mean()
print(f"实际大球率 {actual:.2%} vs 赔率隐含 {implied:.2%}")
print(f"偏差: {(actual - implied):+.2%}")

偏差持续为正 → 大球被低估；持续为负 → 大球被高估，这是判断"走势是否有价值"的核心。

简易预测模型（可选）

from sklearn.linear_model import LogisticRegression
features = ["line", "p_over_implied", "home_goals_avg", "away_goals_avg"]
# （需先构造球队场均进球等特征）
X, y = df[features], df["is_over"]
model = LogisticRegression().fit(X, y)
df["pred_over"] = model.predict_proba(X)[:, 1]
# 找预测概率显著高于赔率隐含概率的比赛 = 疑似价值
df["edge"] = df["pred_over"] - df["p_over_implied"]
value_bets = df[df["edge"] > 0.05]
print(value_bets[["date", "home", "away", "line", "edge"]].head())