Download src/simulation.py from AdryanAzul/Football-Match-Prediction: direct link, hf CLI and curl.
- Browser
- Download file 5.97 kB
-
https://huggingface.co/AdryanAzul/Football-Match-Prediction/resolve/main/src/simulation.py
- Command line
-
hf download hf://AdryanAzul/Football-Match-Prediction/src/simulation.py
-
curl -L -o simulation.py https://huggingface.co/AdryanAzul/Football-Match-Prediction/resolve/main/src/simulation.py
5.97 kB
| import os | |
| import zipfile | |
| import pandas as pd | |
| import numpy as np | |
| import sqlite3 | |
| import joblib | |
| print("--- INICIANDO PARTE 3: SIMULAÇÃO DE MONTE CARLO ---") | |
| # --------------------------------------------------------- | |
| # 1. Carregar Dados e Artefatos (Modelos) | |
| # --------------------------------------------------------- | |
| try: | |
| df_final = pd.read_csv('dados_preparados.csv') | |
| df_clean = df_final.dropna().copy() | |
| rf_model = joblib.load('modelo_rf.pkl') | |
| scaler = joblib.load('scaler.pkl') | |
| except FileNotFoundError as e: | |
| print(f"ERRO: Arquivo {e.filename} não encontrado. Rode as Partes 1 e 2 primeiro.") | |
| exit() | |
| # --------------------------------------------------------- | |
| # === CONFIGURAÇÕES DA SIMULAÇÃO === | |
| # --------------------------------------------------------- | |
| LIGA_ALVO = 'England Premier League' | |
| TEMPORADA_ALVO = '2015/2016' | |
| RODADAS_RESTANTES = 10 | |
| JOGOS_POR_RODADA = 10 | |
| N_SIMULACOES = 1000 | |
| RANDOM_SEED = 42 | |
| TOTAL_JOGOS_SIMULAR = RODADAS_RESTANTES * JOGOS_POR_RODADA | |
| # --------------------------------------------------------- | |
| # 2. Conectar ao banco para metadados (IDs e Nomes) | |
| # --------------------------------------------------------- | |
| if not os.path.exists('database.sqlite') and os.path.exists('database.zip'): | |
| print("Extraindo 'database.sqlite' a partir de 'database.zip'...") | |
| with zipfile.ZipFile('database.zip', 'r') as zf: | |
| zf.extract('database.sqlite') | |
| conn = sqlite3.connect('database.sqlite') | |
| # Descobrir o ID da Liga dinamicamente com base na configuração | |
| query_league = f"SELECT id FROM League WHERE name = '{LIGA_ALVO}'" | |
| league_id = pd.read_sql_query(query_league, conn).iloc[0, 0] | |
| query_teams = "SELECT team_api_id, team_long_name FROM Team" | |
| team_dict = dict(pd.read_sql_query(query_teams, conn).values) | |
| conn.close() | |
| # --------------------------------------------------------- | |
| # 3. Filtragem Estrita: Liga e Temporada Escolhidas | |
| # --------------------------------------------------------- | |
| df_liga = df_clean[(df_clean['league_id'] == league_id) & (df_clean['season'] == TEMPORADA_ALVO)].copy() | |
| df_liga = df_liga.sort_values('date') | |
| print(f"Total de jogos processados da temporada {TEMPORADA_ALVO}: {len(df_liga)}") | |
| if len(df_liga) <= TOTAL_JOGOS_SIMULAR: | |
| raise ValueError( | |
| f"Jogos insuficientes ({len(df_liga)}) para simular os últimos {TOTAL_JOGOS_SIMULAR} jogos." | |
| ) | |
| # Separando usando a matemática calculada | |
| jogos_realizados = df_liga.iloc[:-TOTAL_JOGOS_SIMULAR] | |
| jogos_restantes = df_liga.iloc[-TOTAL_JOGOS_SIMULAR:] | |
| # Lista de todos os times que participaram | |
| lista_times = pd.concat([df_liga['home_team_api_id'], df_liga['away_team_api_id']]).unique() | |
| # ... O resto do código (Passo 4 em diante) continua exatamente igual, | |
| # --------------------------------------------------------- | |
| # 4. Montar a Tabela de Pontuação Atual (Até a rodada 28) | |
| # --------------------------------------------------------- | |
| pontos_atuais = {team: 0 for team in lista_times} | |
| for _, row in jogos_realizados.iterrows(): | |
| if row['target'] == 0: | |
| pontos_atuais[row['home_team_api_id']] += 3 | |
| elif row['target'] == 1: | |
| pontos_atuais[row['home_team_api_id']] += 1 | |
| pontos_atuais[row['away_team_api_id']] += 1 | |
| elif row['target'] == 2: | |
| pontos_atuais[row['away_team_api_id']] += 3 | |
| # --------------------------------------------------------- | |
| # 5. Gerar Probabilidades com o Modelo RF | |
| # --------------------------------------------------------- | |
| features = ['home_overall_rating', 'away_overall_rating', 'hist_goal_diff'] | |
| # Usamos o scaler treinado na Parte 2 para não enviesar os dados | |
| X_restantes = scaler.transform(jogos_restantes[features]) | |
| probs = rf_model.predict_proba(X_restantes) | |
| # --------------------------------------------------------- | |
| # 6. Executar a Simulação de Monte Carlo | |
| # --------------------------------------------------------- | |
| rng = np.random.default_rng(RANDOM_SEED) | |
| contagem_titulos = {team: 0 for team in lista_times} | |
| print(f"\nSimulando {N_SIMULACOES} finais de campeonato alternativos...") | |
| for _ in range(N_SIMULACOES): | |
| # Precisamos zerar o "universo" a cada iteração, voltando os pontos para a rodada 28 | |
| pontos_sim = pontos_atuais.copy() | |
| for i, (_, jogo) in enumerate(jogos_restantes.iterrows()): | |
| # O modelo joga os dados (Sorteio viciado pelas probabilidades) | |
| res = rng.choice([0, 1, 2], p=probs[i]) | |
| if res == 0: | |
| pontos_sim[jogo['home_team_api_id']] += 3 | |
| elif res == 1: | |
| pontos_sim[jogo['home_team_api_id']] += 1 | |
| pontos_sim[jogo['away_team_api_id']] += 1 | |
| else: | |
| pontos_sim[jogo['away_team_api_id']] += 3 | |
| # Ao final da temporada simulada, consagra o campeão daquele universo | |
| campeao_id = max(pontos_sim, key=pontos_sim.get) | |
| contagem_titulos[campeao_id] += 1 | |
| # --------------------------------------------------------- | |
| # 7. Processar Resultados e Exportar CSV | |
| # --------------------------------------------------------- | |
| lista_ranking = [] | |
| for t_id, vitorias in contagem_titulos.items(): | |
| lista_ranking.append({ | |
| 'Time': team_dict.get(t_id, f"ID {t_id}"), | |
| 'Probabilidade_Campeao_%': round((vitorias / N_SIMULACOES) * 100, 2) | |
| }) | |
| df_ranking = pd.DataFrame(lista_ranking).sort_values(by='Probabilidade_Campeao_%', ascending=False) | |
| # Exportando o CSV com codificação segura para o Excel (utf-8-sig) | |
| df_ranking.to_csv('resultado_simulacao_titulo.csv', index=False, sep=';', encoding='utf-8-sig') | |
| print("\n=== RANKING FINAL: PROBABILIDADE DE TÍTULO ===") | |
| # Exibe apenas os times que tiveram chance matemática de ser campeões | |
| print(df_ranking[df_ranking['Probabilidade_Campeao_%'] > 0].to_string(index=False)) | |
| print("\n=== SUCESSO! ===") | |
| print("Arquivo 'resultado_simulacao_titulo.csv' salvo com sucesso na sua pasta!") |