python——体育竞技分析,预测比赛成绩_《体育竞技分析》模块化程序设计

本文介绍了使用Python编程实现的双人击球比赛模拟,通过计算选手A和B的能力值,模拟多场比赛,分析胜率。程序包括获取输入、模拟比赛、结果输出等步骤,展示了如何运用抽象和自动化进行比赛过程的模拟和结果分析。
摘要由CSDN通过智能技术生成
  • 计算思维:抽象 + 自动化
  • 模拟:抽象比赛过程 + 自动化执行N场比赛
  • 当N越大时,比赛结果分析会越科学

比赛规则

  • 双人击球比赛:A & B,回合制,5局3胜
  • 开始时一方先发球,直至判分,接下来胜者发球
  • 球员只能在发球局得分,15分胜一局

程序总体框架及步骤

  • 步骤1:打印程序的介绍性信息 printInfo()
  • 步骤2:获得程序运行参数:proA, proB, n getInputs()
  • 步骤3:利用球员A和B的能力值,模拟n局比赛 simNGames()
  • 步骤4:输出球员A和B获胜比赛的场次及概率 printSummary()
from random import random
def printIntro():   #介绍信息,提高用户体验
    print("这个程序模拟两个选手A和B的某种竞技比赛")
    print("程序运行需要A和B的能力值(以0到1之间的小数表示)")

def getInputs():    #获取 选手能力值(0-1),比赛次数
    a = eval(input("请输入选手A的能力值(0-1): "))
    b = eval(input("请输入选手B的能力值(0-1): "))
    n = eval(input("模拟比赛的场次: "))
    return a, b, n  # 作为实参 赋给simNGames

def simNGames(n, probA, probB):  # 选手赢得比赛的次数
    winsA, winsB = 0, 0
    for i in range(n):
        scoreA, scoreB = simOneGame(probA, probB)   # 模块simOneGame 得分情况判断
        if scoreA > scoreB:     # 得分高得加 1
            winsA += 1
        else:
            winsB += 1
    return winsA, winsB

def gameOver(a,b):  # 15分一局
    return a == 15 or b == 15

def simOneGame(probA, probB): # 计算每一局的得分 知道某一方15分
    scoreA, scoreB = 0, 0
    serving = "A"
    while not gameOver(scoreA, scoreB): # 当gameOver()模块 score分数为15时,执行完返回score值
        if serving == "A":
            if random() < probA:    # 随机数< A选手能力值
                scoreA += 1         # A选手得一分
            else:
                serving="B"         # 否则执行下面else语句,知道 某一方得15分
        else:
            if random() < probB:
                scoreB += 1
            else:
                serving="A"
    return scoreA, scoreB

def printSummary(winsA, winsB):     # 模块simNGames的值调用,输出比赛场数和赢率占比
    n = winsA + winsB
    print("竞技分析开始,共模拟{}场比赛".format(n))
    print("选手A获胜{}场比赛,占比{:0.1%}".format(winsA, winsA/n))
    print("选手B获胜{}场比赛,占比{:0.1%}".format(winsB, winsB/n))

def main():         #主函数按顺序执行上面各个模块
    printIntro()    # 输出打印信息
    probA, probB, n = getInputs()   # 执行模块getInputs() 并把值a,b,n赋给 probA, probB, n
    winsA, winsB = simNGames(n, probA, probB)   # 把return 的 值赋给 winsA, winsB
    printSummary(winsA, winsB)      # 输出 比赛结果,场数,胜率
main()

在这里插入图片描述

自顶向下

最后

不知道你们用的什么环境,我一般都是用的Python3.6环境和pycharm解释器,没有软件,或者没有资料,没人解答问题,都可以免费领取(包括今天的代码),过几天我还会做个视频教程出来,有需要也可以领取~

给大家准备的学习资料包括但不限于:

Python 环境、pycharm编辑器/永久激活/翻译插件

python 零基础视频教程

Python 界面开发实战教程

Python 爬虫实战教程

Python 数据分析实战教程

python 游戏开发实战教程

Python 电子书100本

Python 学习路线规划

网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友,可以戳这里无偿获取

一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!

  • 4
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,您想了解关于使用Python进行体育竞技分析,特别是预测球队成绩的方法。那么,这里介绍一种基于机器学习的方法来预测比赛成绩。 首先,需要收集历史比赛的数据,包括球队的名字、比赛时间、比赛地点、比赛得分等信息。这些数据可以从一些公开的数据源中获取,例如 Kaggle 等网站。 接下来,需要对数据进行清洗和预处理。数据清洗的目的是去除无效的数据,例如比赛日期格式错误、缺失数据、异常值等。数据预处理的目的是将数据转换为机器学习算法可以处理的格式,例如将球队名字转换为数字编码、将比赛时间转换为时间差等。 然后,需要选择一个适合于预测比赛成绩的机器学习算法。常用的算法包括线性回归、决策树、随机森林、神经网络等。这里以随机森林算法为例进行讲解。 接着,需要将数据集分为训练集和测试集。训练集用于训练模型,测试集用于评估模型的性能。 在训练模型之前,需要选择一些特征作为输入。这里可以选择一些与球队成绩相关的特征,例如球队历史成绩、球队排名、球队进攻能力、球队防守能力等。 然后,使用随机森林算法训练模型。训练完成后,可以使用测试集来评估模型的性能。评估指标可以选择均方误差(Mean Squared Error)、平均绝对误差(Mean Absolute Error)等。 最后,使用训练好的模型来预测比赛成绩。对于一个新的比赛,可以输入比赛的特征,例如参赛球队、比赛时间、比赛地点等,模型会输出预测比赛成绩。 希望这些信息能对您有所帮助!

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值