Datasets:
File size: 7,929 Bytes
4972a3f | 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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 | """Features de fiabilité club/joueur - ISO 5055/25012.
Ce module extrait les features de fiabilité basées sur les forfaits
et les patterns de présence.
Conformité:
- ISO 5055: Module <300 lignes, responsabilité unique
- ISO 25012: Qualité données (fiabilité, complétude)
"""
from __future__ import annotations
import logging
import pandas as pd
logger = logging.getLogger(__name__)
def extract_club_reliability(df: pd.DataFrame) -> pd.DataFrame:
"""Extrait les features de fiabilité par club.
Utilise les non_joue et forfaits pour identifier les clubs défaillants.
Args:
----
df: DataFrame échiquiers complet (avant filtrage)
Returns:
-------
DataFrame avec colonnes:
- equipe: nom du club
- taux_forfait: % de forfaits sur l'historique
- taux_non_joue: % de matchs non joués
- fiabilite_score: score composite (1 - taux_défaillance)
ISO 25012: Fiabilité mesurée depuis données réelles.
"""
logger.info("Extraction features fiabilité clubs...")
if df.empty or "type_resultat" not in df.columns:
logger.warning(" DataFrame vide ou colonnes manquantes")
return pd.DataFrame()
forfaits_types = ["forfait_blanc", "forfait_noir", "double_forfait"]
club_stats = []
for equipe_col in ["equipe_dom", "equipe_ext"]:
if equipe_col not in df.columns:
continue
stats = df.groupby(equipe_col).agg(
total_matchs=("type_resultat", "count"),
forfaits=("type_resultat", lambda x: x.isin(forfaits_types).sum()),
non_joue=("type_resultat", lambda x: (x == "non_joue").sum()),
)
stats = stats.reset_index().rename(columns={equipe_col: "equipe"})
club_stats.append(stats)
if not club_stats:
return pd.DataFrame()
# Fusionner dom + ext
all_stats = pd.concat(club_stats).groupby("equipe").sum().reset_index()
# Calculer taux (éviter division par zéro)
all_stats["taux_forfait"] = all_stats["forfaits"] / all_stats["total_matchs"].replace(0, 1)
all_stats["taux_non_joue"] = all_stats["non_joue"] / all_stats["total_matchs"].replace(0, 1)
all_stats["fiabilite_score"] = 1 - (
all_stats["taux_forfait"] * 0.7 + all_stats["taux_non_joue"] * 0.3
)
logger.info(f" {len(all_stats)} clubs avec stats fiabilité")
return all_stats[["equipe", "taux_forfait", "taux_non_joue", "fiabilite_score"]]
def extract_player_reliability(df: pd.DataFrame) -> pd.DataFrame:
"""Extrait les features de fiabilité par joueur.
Analyse les patterns de présence/absence pour chaque joueur.
Args:
----
df: DataFrame échiquiers complet
Returns:
-------
DataFrame avec colonnes:
- joueur_nom: nom complet du joueur
- nb_matchs: nombre total de matchs
- taux_presence: % de matchs effectivement joués
- joueur_fantome: flag si < 20% présence
ISO 25012: Complétude mesurée par taux de présence.
"""
logger.info("Extraction features fiabilité joueurs...")
if df.empty or "type_resultat" not in df.columns:
logger.warning(" DataFrame vide ou colonnes manquantes")
return pd.DataFrame()
player_stats = []
for couleur in ["blanc", "noir"]:
nom_col = f"{couleur}_nom"
if nom_col not in df.columns:
continue
df_couleur = df[df[nom_col].notna()].copy()
# Identifier les matchs joués vs non joués
matchs_joues = ~df_couleur["type_resultat"].isin(
["non_joue", f"forfait_{couleur}", "double_forfait"]
)
# Capture matchs_joues via default arg to avoid B023
stats = (
df_couleur.groupby(nom_col)
.agg(
nb_matchs=("type_resultat", "count"),
matchs_joues=(
"type_resultat",
lambda x, mj=matchs_joues: mj[x.index].sum(),
),
)
.reset_index()
.rename(columns={nom_col: "joueur_nom"})
)
player_stats.append(stats)
if not player_stats:
return pd.DataFrame()
# Fusionner blanc + noir
all_stats = pd.concat(player_stats).groupby("joueur_nom").sum().reset_index()
# Calculer taux (éviter division par zéro)
all_stats["taux_presence"] = all_stats["matchs_joues"] / all_stats["nb_matchs"].replace(0, 1)
all_stats["joueur_fantome"] = all_stats["taux_presence"] < 0.2
logger.info(f" {len(all_stats)} joueurs avec stats fiabilité")
logger.info(f" {all_stats['joueur_fantome'].sum()} joueurs fantômes (<20% présence)")
return all_stats[["joueur_nom", "nb_matchs", "taux_presence", "joueur_fantome"]]
def extract_player_monthly_pattern(df: pd.DataFrame) -> pd.DataFrame:
"""Extrait les patterns de disponibilité mensuelle par joueur.
Détecte les joueurs indisponibles certains mois (vacances, pro, etc.)
Args:
----
df: DataFrame échiquiers avec colonne 'date'
Returns:
-------
DataFrame avec colonnes:
- joueur_nom: nom complet
- dispo_mois_1 ... dispo_mois_12: taux présence par mois
ISO 5259: Feature temporelle pour prédiction disponibilité.
"""
logger.info("Extraction patterns mensuels joueurs...")
df_dated = _prepare_dated_df(df)
if df_dated.empty:
return pd.DataFrame()
monthly_stats = _collect_monthly_stats(df_dated)
result = _merge_monthly_stats(monthly_stats)
logger.info(f" {len(result)} joueurs avec patterns mensuels")
return result
def _prepare_dated_df(df: pd.DataFrame) -> pd.DataFrame:
"""Prepare le DataFrame avec dates."""
if df.empty or "date" not in df.columns:
logger.warning(" Colonnes date manquantes, skip patterns mensuels")
return pd.DataFrame()
df_dated = df[df["date"].notna()].copy()
if len(df_dated) == 0:
logger.warning(" Pas de dates disponibles, skip patterns mensuels")
return pd.DataFrame()
df_dated["mois"] = pd.to_datetime(df_dated["date"]).dt.month
return df_dated
def _collect_monthly_stats(df_dated: pd.DataFrame) -> list[pd.DataFrame]:
"""Collecte stats mensuelles par couleur."""
monthly_stats = []
for couleur in ["blanc", "noir"]:
pivot = _build_monthly_pivot(df_dated, couleur)
if pivot is not None:
monthly_stats.append(pivot)
return monthly_stats
def _build_monthly_pivot(df_dated: pd.DataFrame, couleur: str) -> pd.DataFrame | None:
"""Construit le pivot mensuel pour une couleur."""
nom_col = f"{couleur}_nom"
if nom_col not in df_dated.columns:
return None
matchs_joues = ~df_dated["type_resultat"].isin(
["non_joue", f"forfait_{couleur}", "double_forfait"]
)
df_couleur = df_dated[[nom_col, "mois"]].copy()
df_couleur["joue"] = matchs_joues.astype(int)
pivot = df_couleur.pivot_table(
values="joue", index=nom_col, columns="mois", aggfunc="mean", fill_value=0
)
pivot = pivot.reset_index().rename(columns={nom_col: "joueur_nom"})
pivot.columns = ["joueur_nom"] + [f"dispo_mois_{m}" for m in pivot.columns[1:]]
return pivot
def _merge_monthly_stats(monthly_stats: list[pd.DataFrame]) -> pd.DataFrame:
"""Fusionne les stats mensuelles blanc/noir."""
if not monthly_stats:
return pd.DataFrame()
if len(monthly_stats) == 1:
return monthly_stats[0]
result = monthly_stats[0].merge(
monthly_stats[1], on="joueur_nom", how="outer", suffixes=("_b", "_n")
)
for m in range(1, 13):
col_b, col_n = f"dispo_mois_{m}_b", f"dispo_mois_{m}_n"
if col_b in result.columns and col_n in result.columns:
result[f"dispo_mois_{m}"] = result[[col_b, col_n]].mean(axis=1)
result = result.drop(columns=[col_b, col_n])
return result
|