zovos/summer_practice
1
0
Fork 3
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions

swag update

Browse source
This commit is contained in:
q 2026-06-29 11:57:15 +03:00
parent 7775a1b504
commit d2cf5cd57c
1 changed files with 438 additions and 0 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

438
РАЗБОР_КОДА.md Normal file
View file

@ -0,0 +1,438 @@
# Разбор кода построчно (для защиты)
Здесь разобрана **каждая строка** всех файлов и **каждая функция из библиотек**
(pandas, numpy, matplotlib, sys, os). Читается сверху вниз — можно отвечать прямо по тексту.
---
## Справочник функций из библиотек
Чтобы не повторять одно и то же, вот что делает каждая чужая функция/метод в проекте:
### `sys` и `os` (стандартная библиотека Python)
* `sys.argv` — список аргументов командной строки. `sys.argv[0]` — имя скрипта, `sys.argv[1]` — первый аргумент и т.д.
* `sys.exit(1)` — завершить программу с кодом ошибки 1 (ненулевой код = «завершилось с ошибкой»).
* `os.path.basename(path)` — берёт из пути `khl_3/khl_2018_19.csv` только имя файла `khl_2018_19.csv`.
* `os.path.isfile(path)` — возвращает `True`, если файл существует.
### `pandas` (сокращённо `pd`) — работа с таблицами
* `pd.read_csv(path)` — читает CSV-файл в **DataFrame** (таблицу).
* **DataFrame** — двумерная таблица (строки × столбцы). `df['Столбец']` — это один столбец (объект **Series**).
* **Series** — один столбец таблицы: массив значений с индексом (номерами/подписями строк).
* `df[col].str.split(':', expand=True)` — у строкового столбца разбивает каждую ячейку по `:`; `expand=True` раскладывает результат в несколько столбцов.
* `pd.to_numeric(series, errors='coerce')` — превращает текст в числа; `errors='coerce'` ставит `NaN` (пусто), если значение не число.
* `series.fillna(0)` — заменяет пустые значения `NaN` на 0.
* `pd.DataFrame({...})` — создаёт новую таблицу из словаря `{'имя столбца': данные}`.
* `pd.concat([df1, df2], ignore_index=True)` — склеивает таблицы одну под другой; `ignore_index=True` перенумеровывает строки заново.
* `series.astype(int)` — переводит тип в целые числа (в т.ч. `True/False → 1/0`).
* `df.groupby('Команда').sum()` — группирует строки по командам и складывает числа внутри каждой группы.
* `df[cols].sum(axis=1)` — сумма по строке (вдоль столбцов). `axis=0` — по столбцу.
* `df.sort_values(by=[...], ascending=False)` — сортирует строки по указанным столбцам (по убыванию).
* `series.map(словарь)` — заменяет каждое значение по словарю (ключ → значение).
* `df.copy()` — делает независимую копию таблицы (чтобы не менять оригинал).
* `df.insert(позиция, 'имя', данные)` — вставляет новый столбец на заданную позицию.
* `df.to_string(index=False)` — превращает таблицу в текст для печати; `index=False` — без столбца индекса.
* `df.index` — подписи строк (здесь — названия команд после `groupby`).
### `numpy` (сокращённо `np`) — числовые операции
* `np.floor(x)` — округление **вниз** (отбрасывание дробной части): `72.99 → 72`.
* `np.arange(1, N+1)` — массив чисел `[1, 2, ..., N]`.
* `np.sign(x)` — знак числа: `-1`, `0` или `1`.
### `matplotlib.pyplot` (сокращённо `plt`) — графики
* `plt.figure(figsize=(ш, в))` — создаёт новый холст графика заданного размера в дюймах.
* `plt.bar(x, y, color=...)` — столбчатая диаграмма.
* `plt.title / plt.xlabel / plt.ylabel` — заголовок и подписи осей.
* `plt.xticks(rotation=..., ha=...)` — настройка подписей оси X (поворот, выравнивание).
* `plt.yticks(range(...))` — какие деления показывать на оси Y.
* `plt.grid(axis='y', alpha=...)` — координатная сетка (`alpha` — прозрачность).
* `plt.axhline(0, ...)` — горизонтальная линия на уровне 0.
* `plt.text(x, y, текст, ...)` — подпись в точке графика.
* `plt.tight_layout()` — автоматически подбирает отступы, чтобы подписи не обрезались.
* `plt.savefig(path, dpi=200)` — сохранить график в файл.
* `plt.show()` — показать график в окне.
---
## `main.py` — построчно
```python
import sys # доступ к аргументам командной строки (sys.argv)
import os # работа с путями файлов (os.path.basename)
import pandas as pd # таблицы (DataFrame); pd — общепринятое сокращение
import numpy as np # числовые операции (np.floor, np.arange)
```
### Функция `make_conf` — собирает словарь «команда → конференция»
```python
def make_conf(west, east):
d = {} # пустой словарь
d.update({team: 'Запад' for team in west}) # каждой команде с Запада ставим метку 'Запад'
d.update({team: 'Восток' for team in east}) # каждой команде с Востока — 'Восток'
return d # отдаём готовый словарь
```
* `{team: 'Запад' for team in west}` — **словарное включение** (dict comprehension): пробегает по списку команд и строит словарь `{'ЦСКА': 'Запад', ...}`.
* `d.update(...)` — добавляет пары в словарь `d`.
### Словарь `CONFERENCES`
```python
CONFERENCES = {
'2018_19': make_conf(west=[...], east=[...]), # для каждого сезона свой состав конференций
'2019_20': make_conf(...),
...
}
```
* Ключ — код сезона (`'2018_19'`), значение — словарь «команда → конференция».
* Зачем: составы конференций по годам менялись, поэтому для каждого сезона свой список.
### Функция `parse_score` — разбор счёта «3:1»
```python
def parse_score(df, col):
parts = df[col].str.split(':', expand=True) # "3:1" -> два столбца: ["3"], ["1"]
home = pd.to_numeric(parts[0], errors='coerce').fillna(0)# левое число -> голы хозяев; пусто -> 0
away = pd.to_numeric(parts[1], errors='coerce').fillna(0)# правое число -> голы гостей; пусто -> 0
return home, away # возвращаем два столбца (Series)
```
* `parts[0]` / `parts[1]` — первый и второй столбцы результата split.
* Пустой период `:` после split даёт пустые строки → `to_numeric` делает `NaN` → `fillna(0)` ставит 0.
### Функция `build_standings` — главный расчёт таблицы
```python
def build_standings(df, conf_map):
h1, a1 = parse_score(df, 'Период_1') # голы хозяев(h)/гостей(a) в 1-м периоде
h2, a2 = parse_score(df, 'Период_2') # во 2-м
h3, a3 = parse_score(df, 'Период_3') # в 3-м
oth, ota = parse_score(df, 'Овертайм') # в овертайме (0/0, если его не было)
soh, soa = parse_score(df, 'Буллиты') # в серии буллитов (0/0, если её не было)
```
Здесь `h1, a1 = ...` — **распаковка кортежа**: функция вернула два значения, кладём их в две переменные.
```python
reg_h = h1 + h2 + h3 # голы хозяев в основное время (поэлементная сумма столбцов)
reg_a = a1 + a2 + a3 # голы гостей в основное время
```
Сложение двух Series складывает их **построчно** (матч за матчем).
```python
tie = (reg_h == reg_a) # столбец True/False: True там, где в основное время ничья
win_home_reg = (reg_h > reg_a)# хозяева выиграли в основное время
win_away_reg = (reg_a > reg_h)# гости выиграли в основное время
```
Сравнение столбцов (`==`, `>`) возвращает **столбец булевых значений** (маску).
```python
win_home_ot = tie & (oth > ota) # была ничья И хозяева забили в ОТ -> победа в овертайме
win_away_ot = tie & (ota > oth) # ничья И гости забили в ОТ
```
`&` — поэлементное «И» для булевых столбцов (обе маски должны быть True в одной строке).
```python
win_home_so = tie & (oth == ota) & (soh > soa) # ничья + ОТ ничейный -> буллиты выиграли хозяева
win_away_so = tie & (oth == ota) & (soa > soh) # буллиты выиграли гости
```
```python
goals_home = reg_h + oth + win_home_so.astype(int) # все шайбы хозяев: основное + ОТ + 1 за выигр. буллиты
goals_away = reg_a + ota + win_away_so.astype(int) # все шайбы гостей
```
`win_home_so.astype(int)` — `True/False` превращаем в `1/0`, чтобы прибавить как число.
```python
home = pd.DataFrame({ # таблица «глазами хозяев»: одна строка = один матч
'Команда': df['Команда_1'],# имя команды-хозяина
'В': win_home_reg, 'ВО': win_home_ot, 'ВБ': win_home_so, # её победы (маски)
'ПБ': win_away_so, 'ПО': win_away_ot, 'П': win_away_reg, # её поражения (= победы соперника)
'ГЗ': goals_home, # забила
'ГП': goals_away, # пропустила
})
away = pd.DataFrame({ # та же логика «глазами гостей», поля зеркальные
'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,
})
```
**Главный приём:** один матч превращаем в две записи — статистику хозяев и статистику гостей.
```python
both = pd.concat([home, away], ignore_index=True) # склеиваем обе таблицы в одну
```
```python
flag_cols = ['В', 'ВО', 'ВБ', 'ПБ', 'ПО', 'П'] # столбцы-исходы
both[flag_cols] = both[flag_cols].astype(int) # True/False -> 1/0 (чтобы суммировать)
both[['ГЗ', 'ГП']] = both[['ГЗ', 'ГП']].astype(int)# голы делаем целыми (после fillna были дробными)
```
```python
table = both.groupby('Команда').sum() # группируем по команде и складываем все числа
```
После этого индекс таблицы — названия команд, а в ячейках — суммы за сезон.
```python
table['И'] = table[flag_cols].sum(axis=1) # игры = сумма всех 6 исходов (axis=1 = вдоль строки)
table['О'] = 2*(table['В']+table['ВО']+table['ВБ']) + (table['ПБ']+table['ПО']) # очки: победа=2, пораж. в ОТ/буллитах=1
table['Р'] = table['ГЗ'] - table['ГП'] # разница шайб
```
```python
table['%О'] = np.floor(table['О'] / (2 * table['И']) * 10000) / 100
```
Процент очков = очки / максимум (2 за игру). `np.floor(...*10000)/100` **отбрасывает** знаки до сотых (как сайт КХЛ), а не округляет.
```python
table['Конф'] = pd.Series(table.index, index=table.index).map(conf_map)
```
Берём названия команд (индекс), и `.map(conf_map)` подставляет каждой её конференцию из словаря.
```python
table = table.sort_values(by=['%О', 'В', 'ВО', 'ВБ', 'Р', 'ГЗ'], ascending=False)
return table
```
Сортировка по регламенту: сначала по %очков, при равенстве — больше побед в осн. время, затем в ОТ, по буллитам, разница шайб, забитые. `ascending=False` = по убыванию.
### Функция `show_table` — печать таблицы
```python
def show_table(table, title):
cols = ['И','В','ВО','ВБ','ПБ','ПО','П','ГЗ','ГП','Р','О','%О'] # порядок столбцов как на сайте КХЛ
view = table[cols].copy() # берём только эти столбцы (копия, чтобы не портить оригинал)
view.insert(0, 'Место', np.arange(1, len(view) + 1)) # столбец «Место» = 1,2,3,... (строки уже отсортированы)
view.insert(1, 'Команда', view.index) # имя команды из индекса делаем видимым столбцом
print('\n' + '=' * 80) # разделитель из 80 знаков «=»
print(title) # заголовок
print('=' * 80)
print(view.to_string(index=False)) # печатаем таблицу без служебного индекса
```
* `len(view)` — количество строк (команд).
* `'=' * 80` — повтор строки 80 раз.
### Функция `main` — точка входа
```python
def main():
path = sys.argv[1] # путь к csv из командной строки
name = os.path.basename(path) # только имя файла: khl_2018_19.csv
season = name.replace('khl_', '').replace('.csv', '') # -> '2018_19'
conf_map = CONFERENCES[season] # берём конференции нужного сезона
df = pd.read_csv(path) # читаем матчи в таблицу
table = build_standings(df, conf_map) # строим турнирную таблицу
show_table(table, 'Итоговая таблица чемпионата ' + season) # печатаем общую таблицу
west = table[table['Конф'] == 'Запад'] # строки только западной конференции
east = table[table['Конф'] == 'Восток'] # только восточной
show_table(west, 'Конференция Запад ' + season)
show_table(east, 'Конференция Восток ' + season)
main() # запуск программы
```
* `str.replace('a','')` — удаляет подстроку (заменяет на пустую).
* `table[table['Конф'] == 'Запад']` — **фильтрация по маске**: оставляем строки, где условие True.
---
## `individual_1.py` — гистограмма очков
```python
import os, sys
import matplotlib.pyplot as plt
import pandas as pd
import main as mn # импортируем main.py как модуль mn -> переиспользуем parse_score
```
```python
def calculate_team_points(filename):
df = pd.read_csv(filename)
h1,a1 = mn.parse_score(df,'Период_1') # тот же разбор счёта, что в main.py
h2,a2 = mn.parse_score(df,'Период_2')
h3,a3 = mn.parse_score(df,'Период_3')
oth,ota = mn.parse_score(df,'Овертайм')
soh,soa = mn.parse_score(df,'Буллиты')
home_goals = h1+h2+h3 # голы хозяев в основное время
away_goals = a1+a2+a3 # голы гостей
tie = home_goals == away_goals # маска ничьей в основное время
home_win = (home_goals > away_goals) | (tie & ((oth>ota) | ((oth==ota)&(soh>soa)))) # победа хозяев любым способом
away_win = (away_goals > home_goals) | (tie & ((ota>oth) | ((oth==ota)&(soa>soh)))) # победа гостей
home_overtime_loss = tie & ((ota>oth) | ((oth==ota)&(soa>soh))) # хозяева проиграли в ОТ/буллитах -> 1 очко
away_overtime_loss = tie & ((oth>ota) | ((oth==ota)&(soh>soa))) # гости проиграли в ОТ/буллитах
home_points = 2*home_win.astype(int) + home_overtime_loss.astype(int) # очки хозяев за каждый матч
away_points = 2*away_win.astype(int) + away_overtime_loss.astype(int) # очки гостей
points = pd.concat([ # снова приём «две строки на матч»
pd.DataFrame({'Команда': df['Команда_1'], 'О': home_points}),
pd.DataFrame({'Команда': df['Команда_2'], 'О': away_points}),
])
return points.groupby('Команда')['О'].sum().sort_values(ascending=False) # сумма очков по командам, по убыванию
```
* `|` — поэлементное «ИЛИ» для масок.
* `['О']` после groupby — берём только столбец очков.
```python
def show_points_histogram(filename, output=None):
points = calculate_team_points(filename)
plt.figure(figsize=(12,7)) # холст 12x7 дюймов
plt.bar(points.index, points.values, color='steelblue') # столбцы: X=названия, Y=очки
plt.title('Гистограмма набранных командами очков')
plt.xlabel('Команда'); plt.ylabel('Очки')
plt.xticks(rotation=75, ha='right') # подписи команд повернуть на 75°, прижать вправо
plt.grid(axis='y', alpha=0.3) # горизонтальная сетка, полупрозрачная
plt.tight_layout() # подобрать отступы
if output: # если задан файл — сохранить, иначе показать
plt.savefig(output, dpi=200)
print(f'Гистограмма сохранена в файл: {output}')
else:
plt.show()
```
* `points.index` — названия команд, `points.values` — числа очков.
* `f'...{output}'` — f-строка, подставляет значение переменной в текст.
```python
def main():
if len(sys.argv) not in (2, 3): # проверка: 1 или 2 аргумента (+имя скрипта)
print('Использование: python3 individual_1.py <csv-файл> [файл_для_сохранения]')
sys.exit(1)
filename = sys.argv[1]
output = sys.argv[2] if len(sys.argv)==3 else None # второй аргумент необязателен
if not os.path.isfile(filename): # проверка существования файла
raise FileNotFoundError(f'Файл не найден: {filename}')
show_points_histogram(filename, output)
if __name__ == '__main__': # запуск только если файл запущен напрямую,
main() # а не импортирован как модуль
```
* `if __name__ == '__main__':` — стандартная защита: код запускается только при прямом вызове `python3 individual_1.py`, но не при `import`. (Важно, т.к. этот файл сам импортирует `main`.)
---
## `individual_4.py` — гистограмма заброшенных шайб
`parse_score` — копия из main.py (тот же разбор счёта). Далее:
```python
def task4(filename):
df = pd.read_csv(filename)
h1,a1 = parse_score(df,'Период_1'); h2,a2 = parse_score(df,'Период_2'); h3,a3 = parse_score(df,'Период_3')
oth,ota = parse_score(df,'Овертайм'); soh,soa = parse_score(df,'Буллиты')
reg_h = h1+h2+h3; reg_a = a1+a2+a3 # голы в основное время
tie = (reg_h == reg_a) # ничья
win_home_so = tie & (oth==ota) & (soh>soa)# хозяева выиграли буллиты
win_away_so = tie & (oth==ota) & (soa>soh)# гости выиграли буллиты
goals_home = reg_h + oth + win_home_so.astype(int) # все шайбы хозяев (+1 за буллиты)
goals_away = reg_a + ota + win_away_so.astype(int) # все шайбы гостей
home = pd.DataFrame({'Команда': df['Команда_1'], 'ГЗ': goals_home}) # шайбы хозяев
away = pd.DataFrame({'Команда': df['Команда_2'], 'ГЗ': goals_away}) # шайбы гостей
both = pd.concat([home, away], ignore_index=True) # склеиваем
totals = both.groupby('Команда')['ГЗ'].sum().astype(int) # сумма шайб по командам
totals = totals.sort_values(ascending=False) # по убыванию
plt.figure(figsize=(12,6))
plt.bar(totals.index, totals.values, color='steelblue') # столбцы
plt.title('Всего заброшено шайб за сезон')
plt.xlabel('Команда'); plt.ylabel('Заброшено шайб')
plt.xticks(rotation=90) # подписи вертикально
for i, value in enumerate(totals.values): # над каждым столбцом — число
plt.text(i, value, str(value), ha='center', va='bottom')
plt.tight_layout(); plt.show()
if __name__ == '__main__':
task4(sys.argv[1])
```
* `enumerate(totals.values)` — даёт пары `(номер, значение)`; номер `i` — позиция столбца по X.
* `plt.text(i, value, str(value), ha='center', va='bottom')` — подпись по центру столбца, над ним (`va='bottom'` — низ текста на уровне значения).
---
## `individual_5.py` — разница шайб команды в периоде по датам
```python
import os, sys
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
```
```python
def parse_score(df, col): # тот же разбор счёта (с docstring-описанием в тройных кавычках)
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
```
```python
def calculate_period_goals_diff(filename, period_number, team_name):
df = pd.read_csv(filename)
team_df = df[(df['Команда_1']==team_name) | (df['Команда_2']==team_name)].copy() # только матчи нужной команды
team_df = team_df.sort_values(by='Дата') # по возрастанию дат
period_col = f'Период_{period_number}' # имя столбца, напр. 'Период_2'
h, a = parse_score(team_df, period_col) # счёт в этом периоде
is_home = team_df['Команда_1'] == team_name # маска: была ли команда хозяином
deltas = (h - a) * (2 * is_home.astype(int) - 1) # разница «своих минус чужих» с учётом стороны
result = pd.DataFrame({'Дата': team_df['Дата'], 'Разница': deltas.astype(int)})
return result
```
**Трюк со знаком:** `2*is_home - 1` даёт `+1`, если команда хозяин, и `-1`, если гость.
Тогда `(h - a)` (разница хозяев) автоматически переворачивается для гостевых матчей — получается разница именно нашей команды.
```python
def show_period_goals_diff_histogram(filename, period_number, team_name, output_path=None):
data = calculate_period_goals_diff(filename, period_number, team_name)
dates = data['Дата']; deltas = data['Разница']
plt.figure(figsize=(14,7))
color_map = {-1:'#e74c3c', 0:'#95a5a6', 1:'#2ecc71'} # минус=красный, ноль=серый, плюс=зелёный
signs = np.sign(deltas) # знак каждой разницы: -1/0/1
colors = [color_map[s] for s in signs] # список цветов под каждый столбец
plt.bar(dates, deltas, color=colors, edgecolor='black', alpha=0.85)
plt.title(f"Разница шайб в {period_number}-м периоде у команды '{team_name}' по датам", fontsize=14, fontweight='bold')
plt.xlabel('Дата матча', fontsize=12); plt.ylabel('Разница забитых и пропущенных шайб', fontsize=12)
min_val = int(deltas.min()); max_val = int(deltas.max()) # границы значений
plt.yticks(range(min_val-1, max_val+2)) # деления оси Y — только целые числа
plt.xticks(rotation=90, fontsize=8) # даты вертикально, мелким шрифтом
plt.axhline(0, color='black', linewidth=1.2, linestyle='--') # пунктирная линия нуля
plt.grid(axis='y', linestyle=':', alpha=0.6) # точечная сетка по Y
plt.tight_layout()
actions = { # выбор действия без if: словарь функций
True: lambda: plt.savefig(output_path, dpi=200),
False: lambda: plt.show()
}
actions[output_path is not None]() # есть путь -> сохранить, иначе показать
```
* `np.sign(deltas)` — массив знаков; по нему выбираем цвет каждого столбца.
* `[color_map[s] for s in signs]` — **списковое включение**: строит список цветов.
* `lambda: ...` — короткая безымянная функция; `actions[...]()` вызывает выбранную.
```python
args = sys.argv + [None] * (5 - len(sys.argv)) # дополняем аргументы None-ами до 5 штук, чтобы не было IndexError
show_period_goals_diff_histogram(args[1], int(args[2]), args[3], args[4]) # запуск
```
* `[None] * n` — список из `n` элементов `None`.
* `int(args[2])` — номер периода из строки в число.
---
## Что точно спросят на защите — короткие ответы
* **Что такое DataFrame/Series?** Таблица и её отдельный столбец в pandas.
* **Почему без циклов?** Векторные операции pandas быстрее и короче: одно действие сразу над всем столбцом.
* **Что такое булева маска?** Столбец True/False из сравнения; по нему фильтруют строки и считают суммы через `.astype(int)`.
* **Зачем `pd.concat` хозяев и гостей?** Чтобы у каждой команды была своя строка на каждый матч и сработал `groupby`.
* **Почему `np.floor` для %очков?** КХЛ отбрасывает знаки, а не округляет.
* **Что делает `if __name__ == '__main__'`?** Запускает код только при прямом вызове файла, не при импорте.