Datasets:
File size: 5,814 Bytes
1be402d | 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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 | """Features de performance joueur - ISO 5055/5259.
Ce module extrait les features de performance: forme récente,
position échiquier, et performance par couleur.
Conformité:
- ISO 5055: Module <300 lignes, responsabilité unique
- ISO 5259: Données réelles, pas d'estimation (CORRIGÉ fillna bug)
"""
from __future__ import annotations
import logging
import pandas as pd
# Ré-export pour compatibilité
from scripts.features.color_perf import calculate_color_performance
logger = logging.getLogger(__name__)
# Export public
__all__ = [
"calculate_recent_form",
"calculate_board_position",
"calculate_color_performance",
]
def calculate_recent_form(df: pd.DataFrame, window: int = 5) -> pd.DataFrame:
"""Calcule la forme récente de chaque joueur (score sur N derniers matchs).
Args:
----
df: DataFrame échiquiers filtré (parties jouées uniquement)
window: nombre de matchs pour calculer la forme
Returns:
-------
DataFrame avec colonnes:
- joueur_nom: nom complet
- forme_recente: score moyen sur les N derniers matchs [0, 1]
- nb_matchs_forme: nombre de matchs utilisés
- forme_tendance: 'hausse', 'baisse', 'stable' (momentum)
ISO 5259: Forme calculée depuis résultats réels uniquement.
"""
logger.info(f"Calcul forme récente (window={window})...")
if df.empty:
return pd.DataFrame()
parties_jouees = _filter_played_games(df)
forme_data = _collect_form_data(parties_jouees, window)
result = _aggregate_form_data(forme_data)
logger.info(f" {len(result)} joueurs avec forme récente")
return result
def _filter_played_games(df: pd.DataFrame) -> pd.DataFrame:
"""Filtre les parties effectivement jouees."""
parties = df[
~df["type_resultat"].isin(["non_joue", "forfait_blanc", "forfait_noir", "double_forfait"])
].copy()
if "date" in parties.columns:
parties = parties.sort_values("date")
return parties
def _collect_form_data(parties: pd.DataFrame, window: int) -> list[dict]:
"""Collecte les donnees de forme par joueur."""
forme_data = []
for couleur in ["blanc", "noir"]:
nom_col = f"{couleur}_nom"
resultat_col = f"resultat_{couleur}"
if nom_col not in parties.columns or resultat_col not in parties.columns:
continue
for joueur, group in parties.groupby(nom_col):
if len(group) >= window:
entry = _compute_player_form(joueur, group, window, resultat_col)
forme_data.append(entry)
return forme_data
def _compute_player_form(joueur: str, group: pd.DataFrame, window: int, res_col: str) -> dict:
"""Calcule la forme d'un joueur."""
last_n = group.tail(window)
forme = last_n[res_col].mean()
tendance = _compute_tendance(last_n, window, res_col)
return {
"joueur_nom": joueur,
"forme_recente": forme,
"nb_matchs_forme": len(last_n),
"forme_tendance": tendance,
}
def _compute_tendance(last_n: pd.DataFrame, window: int, res_col: str) -> str:
"""Calcule la tendance (hausse/baisse/stable)."""
mid = window // 2
first_half = last_n.head(mid)[res_col].mean()
second_half = last_n.tail(mid)[res_col].mean()
if second_half > first_half + 0.1:
return "hausse"
if second_half < first_half - 0.1:
return "baisse"
return "stable"
def _aggregate_form_data(forme_data: list[dict]) -> pd.DataFrame:
"""Agrege les donnees de forme."""
result = pd.DataFrame(forme_data)
if len(result) > 0:
result = (
result.groupby("joueur_nom")
.agg(
forme_recente=("forme_recente", "mean"),
nb_matchs_forme=("nb_matchs_forme", "sum"),
forme_tendance=("forme_tendance", "first"),
)
.reset_index()
)
return result
def calculate_board_position(df: pd.DataFrame) -> pd.DataFrame:
"""Calcule la position moyenne sur l'échiquier pour chaque joueur.
Un joueur habitué à jouer sur échiquier 1 vs échiquier 8
n'a pas le même niveau.
Args:
----
df: DataFrame échiquiers
Returns:
-------
DataFrame avec colonnes:
- joueur_nom: nom complet
- echiquier_moyen: position moyenne
- echiquier_std: écart-type (variabilité)
- echiquier_min: échiquier le plus fort joué
- echiquier_max: échiquier le plus faible joué
ISO 5259: Position calculée depuis historique réel.
"""
logger.info("Calcul position échiquier moyenne...")
if df.empty or "echiquier" not in df.columns:
return pd.DataFrame()
board_data = []
for couleur in ["blanc", "noir"]:
nom_col = f"{couleur}_nom"
if nom_col not in df.columns:
continue
for joueur, group in df.groupby(nom_col):
board_data.append(
{
"joueur_nom": joueur,
"echiquier_moyen": group["echiquier"].mean(),
"echiquier_std": group["echiquier"].std(),
"echiquier_min": group["echiquier"].min(),
"echiquier_max": group["echiquier"].max(),
}
)
result = pd.DataFrame(board_data)
if len(result) > 0:
result = (
result.groupby("joueur_nom")
.agg(
echiquier_moyen=("echiquier_moyen", "mean"),
echiquier_std=("echiquier_std", "mean"),
echiquier_min=("echiquier_min", "min"),
echiquier_max=("echiquier_max", "max"),
)
.reset_index()
)
logger.info(f" {len(result)} joueurs avec stats échiquier")
return result
|