forked from zovos/summer_practice
216 lines
13 KiB
Python
216 lines
13 KiB
Python
import sys # для аргументов командной строки
|
||
import os # чтобы достать имя файла из пути
|
||
import pandas as pd
|
||
import numpy as np
|
||
|
||
|
||
def make_conf(west, east):
|
||
d = {}
|
||
d.update({team: 'Запад' for team in west})
|
||
d.update({team: 'Восток' for team in east})
|
||
return d
|
||
|
||
|
||
# ключ - это код сезона (например, 2018_19)
|
||
CONFERENCES = {
|
||
'2018_19': make_conf(
|
||
west=['ЦСКА', 'СКА', 'Локомотив', 'Йокерит', 'Динамо М', 'ХК Сочи',
|
||
'Спартак', 'Витязь', 'Динамо Р', 'Северсталь', 'Динамо Мн', 'Слован'],
|
||
east=['Автомобилист', 'Барыс', 'Металлург Мг', 'Авангард', 'Ак Барс',
|
||
'Салават Юлаев', 'Торпедо НН', 'Трактор', 'Сибирь', 'Нефтехимик',
|
||
'Куньлунь РС', 'Адмирал', 'Амур'],
|
||
),
|
||
'2019_20': make_conf(
|
||
west=['ЦСКА', 'СКА', 'Йокерит', 'Динамо М', 'Спартак', 'Локомотив',
|
||
'Витязь', 'Торпедо НН', 'ХК Сочи', 'Северсталь', 'Динамо Р', 'Динамо Мн'],
|
||
east=['Ак Барс', 'Барыс', 'Авангард', 'Автомобилист', 'Сибирь',
|
||
'Салават Юлаев', 'Металлург Мг', 'Нефтехимик', 'Амур', 'Куньлунь РС',
|
||
'Трактор', 'Адмирал'],
|
||
),
|
||
'2020_21': make_conf(
|
||
west=['ЦСКА', 'СКА', 'Динамо М', 'Локомотив', 'Йокерит', 'Северсталь',
|
||
'Динамо Мн', 'Спартак', 'Витязь', 'ХК Сочи', 'Динамо Р'],
|
||
east=['Ак Барс', 'Авангард', 'Металлург Мг', 'Салават Юлаев', 'Трактор',
|
||
'Барыс', 'Автомобилист', 'Торпедо НН', 'Сибирь', 'Амур', 'Нефтехимик',
|
||
'Куньлунь РС'],
|
||
),
|
||
'2021_22': make_conf(
|
||
west=['СКА', 'Йокерит', 'ЦСКА', 'Динамо М', 'Северсталь', 'Локомотив',
|
||
'Спартак', 'Динамо Мн', 'Торпедо', 'Витязь', 'ХК Сочи', 'Динамо Р'],
|
||
east=['Металлург Мг', 'Трактор', 'Салават Юлаев', 'Ак Барс', 'Авангард',
|
||
'Сибирь', 'Нефтехимик', 'Барыс', 'Автомобилист', 'Амур', 'Адмирал',
|
||
'Куньлунь РС'],
|
||
),
|
||
}
|
||
|
||
'''
|
||
Шаг 1.
|
||
|
||
Формат счёта: 3:1 (хозяева забили 3, гости 1).
|
||
Если период не игрался (нет овертайма или буллитов), в файле стоит ":" - пустые числа.
|
||
|
||
df[col].str.split(':', expand=True) применяет строковую операцию split(':')
|
||
сразу ко всем строкам столбца и раскладывает результат в два столбца (expand=True).
|
||
|
||
pd.to_numeric превращает текст "3" в число 3. Параметр errors='coerce' означает:
|
||
если это не число (например, пустая строка), сделай NaN, а fillna(0) заменяет такие
|
||
пустые места на 0. В итоге не сыгранный период считается как "0:0".
|
||
'''
|
||
|
||
|
||
def parse_score(df, col):
|
||
parts = df[col].str.split(':', expand=True)
|
||
home = pd.to_numeric(parts[0], errors='coerce').fillna(0)
|
||
away = pd.to_numeric(parts[1], errors='coerce').fillna(0)
|
||
return home, away
|
||
|
||
|
||
# Шаг 2. Функция, которая из таблицы матчей строит таблицу команд.
|
||
|
||
|
||
def build_standings(df, conf_map):
|
||
# Достаём счёт по периодам и т.д.
|
||
h1, a1 = parse_score(df, 'Период_1') # голы хозяев/гостей в 1 периоде
|
||
h2, a2 = parse_score(df, 'Период_2') # второй
|
||
h3, a3 = parse_score(df, 'Период_3') # третий
|
||
oth, ota = parse_score(df, 'Овертайм') # овертайм (0/0, если его не было)
|
||
soh, soa = parse_score(df, 'Буллиты') # серия буллитов (0/0, если её не было)
|
||
|
||
# Голы в основное время (сумма трёх периодов), складываются поэлементно, строка к строке
|
||
reg_h = h1 + h2 + h3 # сколько хозяева забили за три периода
|
||
reg_a = a1 + a2 + a3 # сколько гости забили за три периода
|
||
|
||
# Определяем ТИП исхода каждого матча через сравнение столбцов
|
||
# (любое сравнение возвращает столбец False/True)
|
||
|
||
tie = (reg_h == reg_a) # True там, где после 3 периодов была ничья
|
||
|
||
win_home_reg = (reg_h > reg_a) # хозяева победили в основное время
|
||
win_away_reg = (reg_a > reg_h) # гости победили в основное время
|
||
|
||
win_home_ot = tie & (oth > ota) # ничья в основное + хозяева забили в ОТ = победа в ОТ
|
||
win_away_ot = tie & (ota > oth) # ничья в основное + гости забили в ОТ
|
||
|
||
win_home_so = tie & (oth == ota) & (soh > soa) # ОТ ничейный -> буллиты выиграли хозяева
|
||
win_away_so = tie & (oth == ota) & (soa > soh) # буллиты выиграли гости
|
||
|
||
'''
|
||
Считаем заброшенные шайбы для итоговой таблицы.
|
||
К голам в основное время прибавляем голы овертайма, а победителю серии буллитов
|
||
добавляем ровно 1 решающую шайбу. astype(int) переводит True/False в 1/0.
|
||
'''
|
||
goals_home = reg_h + oth + win_home_so.astype(int) # все шайбы хозяев
|
||
goals_away = reg_a + ota + win_away_so.astype(int) # все шайбы гостей
|
||
|
||
'''
|
||
Конвертируем "по одной строке на матч" -> "по две строки на матч".
|
||
В каждом матче участвует 2 команды. Делаем две таблицы:
|
||
home - взгляд со стороны хозяев, away - со стороны гостей,
|
||
а потом склеиваем и группируем по названию команды.
|
||
Столбцы В, ВО, ВБ, ПБ, ПО, П - это булевы маски (выиграл/проиграл).
|
||
'''
|
||
home = pd.DataFrame({
|
||
'Команда': df['Команда_1'], # имя хозяев
|
||
'В': win_home_reg, # победа в основное время
|
||
'ВО': win_home_ot, # победа в овертайме
|
||
'ВБ': win_home_so, # победа по буллитам
|
||
'ПБ': win_away_so, # поражение по буллитам (гости выиграли буллиты)
|
||
'ПО': win_away_ot, # поражение в овертайме
|
||
'П': win_away_reg, # поражение в основное время
|
||
'ГЗ': goals_home, # голы, забитые хозяевами
|
||
'ГП': goals_away, # голы, пропущенные (забитые гостями)
|
||
})
|
||
away = pd.DataFrame({
|
||
'Команда': df['Команда_2'],
|
||
'В': win_away_reg,
|
||
'ВО': win_away_ot,
|
||
'ВБ': win_away_so,
|
||
'ПБ': win_home_so,
|
||
'ПО': win_home_ot,
|
||
'П': win_home_reg,
|
||
'ГЗ': goals_away,
|
||
'ГП': goals_home,
|
||
})
|
||
|
||
# pd.concat склеивает две таблицы одну под другой (как два списка матчей подряд).
|
||
# ignore_index=True перенумеровывает строки заново, чтобы номера не повторялись.
|
||
both = pd.concat([home, away], ignore_index=True)
|
||
|
||
# Булевы столбцы (True/False) переводим в числа (1/0), чтобы их можно было суммировать.
|
||
flag_cols = ['В', 'ВО', 'ВБ', 'ПБ', 'ПО', 'П']
|
||
both[flag_cols] = both[flag_cols].astype(int)
|
||
|
||
# Голы тоже переводим в целые числа (после fillna(0) они стали дробными).
|
||
both[['ГЗ', 'ГП']] = both[['ГЗ', 'ГП']].astype(int)
|
||
|
||
# Суммируем всё по каждой команде.
|
||
# groupby('Команда').sum() - сгруппируй строки по названию команды и сложи числа.
|
||
table = both.groupby('Команда').sum()
|
||
|
||
# Производные показатели:
|
||
|
||
# И - количество игр = сумма всех исходов (каждый матч - ровно один из шести исходов)
|
||
table['И'] = table[flag_cols].sum(axis=1) # axis=1 - складывать вдоль строки
|
||
# О - очки по системе КХЛ: любая победа = 2, поражение в ОТ/буллитах = 1, в осн. время = 0
|
||
table['О'] = 2 * (table['В'] + table['ВО'] + table['ВБ']) + (table['ПБ'] + table['ПО'])
|
||
# Р - разница шайб (дополнительный критерий при равенстве)
|
||
table['Р'] = table['ГЗ'] - table['ГП']
|
||
|
||
'''
|
||
%О - процент набранных очков = очки / максимально возможные (2 за каждую игру).
|
||
По этому проценту КХЛ расставляет места, когда команды сыграли разное число игр.
|
||
Сайт КХЛ НЕ округляет, а отбрасывает знаки после второго (72.448 -> 72.44),
|
||
поэтому np.floor (округление вниз): умножаем на 10000, отбрасываем дробь, делим на 100.
|
||
'''
|
||
table['%О'] = np.floor(table['О'] / (2 * table['И']) * 10000) / 100
|
||
# Подписываем каждой команде её конференцию. .map(словарь) проходит по индексу
|
||
# (названиям команд) и подставляет значение из словаря.
|
||
table['Конф'] = pd.Series(table.index, index=table.index).map(conf_map)
|
||
|
||
'''
|
||
Сортировка: по проценту очков, затем при равенстве - больше побед в основное время,
|
||
затем в овертайме, затем по буллитам, затем лучше разница шайб, затем больше забито.
|
||
'''
|
||
table = table.sort_values(
|
||
by=['%О', 'В', 'ВО', 'ВБ', 'Р', 'ГЗ'],
|
||
ascending=False,
|
||
)
|
||
return table
|
||
|
||
|
||
# Вывод таблицы текстом
|
||
def show_table(table, title):
|
||
# Колонки в том же порядке и с теми же подписями, что на сайте КХЛ.
|
||
cols = ['И', 'В', 'ВО', 'ВБ', 'ПБ', 'ПО', 'П', 'ГЗ', 'ГП', 'Р', 'О', '%О']
|
||
view = table[cols].copy() # берём только нужные столбцы (копия, чтобы не трогать оригинал)
|
||
# Место по порядку строк. np.arange(1, N+1) создаёт массив [1..N].
|
||
view.insert(0, 'Место', np.arange(1, len(view) + 1))
|
||
# Имя команды (индекс таблицы) ставим отдельным столбцом, чтобы оно было видно при выводе.
|
||
view.insert(1, 'Команда', view.index)
|
||
|
||
print('\n' + '=' * 80)
|
||
print(title)
|
||
print('=' * 80)
|
||
print(view.to_string(index=False))
|
||
|
||
|
||
def main():
|
||
path = sys.argv[1] # получаем путь до csv
|
||
name = os.path.basename(path) # из khl_3/khl_*.csv берём только khl_*.csv
|
||
season = name.replace('khl_', '').replace('.csv', '')
|
||
conf_map = CONFERENCES[season]
|
||
|
||
df = pd.read_csv(path)
|
||
table = build_standings(df, conf_map)
|
||
|
||
# Итоговая таблица чемпионата
|
||
show_table(table, 'Итоговая таблица чемпионата ' + season)
|
||
|
||
# Итоговые таблицы по конференциям (фильтруем по столбцу Конф)
|
||
west = table[table['Конф'] == 'Запад']
|
||
east = table[table['Конф'] == 'Восток']
|
||
show_table(west, 'Конференция Запад ' + season)
|
||
show_table(east, 'Конференция Восток ' + season)
|
||
|
||
|
||
main()
|