Datasets:
File size: 3,314 Bytes
e12e6b0 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 | """Head-to-head (H2H) historique - ISO 5055/5259.
Ce module implémente le calcul de l'historique H2H entre paires de joueurs.
Feature importante pour prédiction: certains joueurs ont des résultats
atypiques contre des adversaires spécifiques.
Sources:
- AI Sports Predictions 2025 (ainewshub.org)
- EloMetrics IEEE 2025
Conformité:
- ISO 5055: Module <300 lignes, responsabilité unique
- ISO 5259: Features calculées depuis données réelles
"""
from __future__ import annotations
import logging
import pandas as pd
logger = logging.getLogger(__name__)
def calculate_head_to_head(df: pd.DataFrame, min_games: int = 3) -> pd.DataFrame:
"""Calcule l'historique H2H entre paires de joueurs.
Feature importante pour prédiction: certains joueurs ont
des résultats atypiques contre des adversaires spécifiques.
Args:
----
df: DataFrame échiquiers avec parties jouées
min_games: Minimum de confrontations pour inclure
Returns:
-------
DataFrame avec colonnes:
- joueur_a: premier joueur (ordre alphabétique)
- joueur_b: second joueur
- nb_confrontations: nombre total de parties
- score_a: score moyen joueur A contre B [0, 1]
- score_b: score moyen joueur B contre A [0, 1]
- avantage_a: score_a - score_b
ISO 5259: H2H calculé depuis confrontations réelles.
"""
logger.info("Calcul historique H2H entre joueurs...")
if df.empty:
return pd.DataFrame()
# Filtrer parties jouées
parties = df[
~df["type_resultat"].isin(["non_joue", "forfait_blanc", "forfait_noir", "double_forfait"])
].copy()
if "blanc_nom" not in parties.columns or "noir_nom" not in parties.columns:
return pd.DataFrame()
# Collecter confrontations
h2h_data: dict[tuple[str, str], dict[str, float]] = {}
for _, row in parties.iterrows():
blanc = str(row["blanc_nom"])
noir = str(row["noir_nom"])
res_blanc = row.get("resultat_blanc", 0.5)
res_noir = row.get("resultat_noir", 0.5)
# Ordonner alphabétiquement pour clé unique
if blanc < noir:
key = (blanc, noir)
score_a, score_b = res_blanc, res_noir
else:
key = (noir, blanc)
score_a, score_b = res_noir, res_blanc
if key not in h2h_data:
h2h_data[key] = {"games": 0, "score_a": 0.0, "score_b": 0.0}
h2h_data[key]["games"] += 1
h2h_data[key]["score_a"] += score_a
h2h_data[key]["score_b"] += score_b
# Construire résultat
result_data = []
for (joueur_a, joueur_b), stats in h2h_data.items():
if stats["games"] >= min_games:
avg_a = stats["score_a"] / stats["games"]
avg_b = stats["score_b"] / stats["games"]
result_data.append(
{
"joueur_a": joueur_a,
"joueur_b": joueur_b,
"nb_confrontations": int(stats["games"]),
"score_a": avg_a,
"score_b": avg_b,
"avantage_a": avg_a - avg_b,
}
)
result = pd.DataFrame(result_data)
logger.info(f" {len(result)} paires H2H avec >= {min_games} confrontations")
return result
|