| """Features comportement club — stabilite effectif, noyau, rotation. |
| |
| Features specifiees dans FEATURE_SPECIFICATION.md §10. |
| Ajout features §14 (renforce_fin_saison, avantage_dom_club, |
| club_utilise_marge_100). |
| |
| Conformite ISO/IEC: |
| - 5055: Code maintenable (<300 lignes, SRP) |
| - 5259: Qualite donnees ML |
| """ |
|
|
| from __future__ import annotations |
|
|
| import logging |
|
|
| import pandas as pd |
|
|
| logger = logging.getLogger(__name__) |
|
|
| _PLAYED_RESULTS = frozenset( |
| { |
| "victoire_blanc", |
| "victoire_noir", |
| "nulle", |
| "victoire_blanc_ajournement", |
| "victoire_noir_ajournement", |
| } |
| ) |
|
|
|
|
| def extract_club_behavior(df_history: pd.DataFrame) -> pd.DataFrame: |
| """Calcule les features de comportement du club par saison. |
| |
| Returns |
| ------- |
| DataFrame avec colonnes: equipe, saison, |
| nb_joueurs_utilises, rotation_effectif, noyau_stable, |
| profondeur_effectif, renforce_fin_saison, |
| avantage_dom_club, club_utilise_marge_100 |
| """ |
| if df_history.empty or "equipe_dom" not in df_history.columns: |
| return pd.DataFrame() |
|
|
| rows = [] |
| for (equipe, saison), group in df_history.groupby(["equipe_dom", "saison"]): |
| _process_club(group, str(equipe), int(saison), rows) |
|
|
| result = pd.DataFrame(rows) |
| if result.empty: |
| return result |
|
|
| result = result.groupby(["equipe", "saison"]).first().reset_index() |
| logger.info(" %d clubs avec features comportement", len(result)) |
| return result |
|
|
|
|
| def _process_club( |
| group: pd.DataFrame, |
| equipe: str, |
| saison: int, |
| rows: list, |
| ) -> None: |
| """Traite un club (equipe_dom) pour une saison.""" |
| nom_col = "blanc_nom" |
| if nom_col not in group.columns: |
| return |
|
|
| nb_rondes = group["ronde"].nunique() |
| if nb_rondes == 0: |
| return |
|
|
| joueurs = group[nom_col].value_counts() |
| nb_joueurs = len(joueurs) |
| noyau = int((joueurs >= nb_rondes * 0.8).sum()) |
| rotation = group.groupby("ronde")[nom_col].nunique().mean() |
|
|
| renforce = _calc_renforce_fin_saison(group) |
| avantage_dom = _calc_avantage_dom(group) |
| marge_100 = _calc_marge_100(group) |
|
|
| rows.append( |
| { |
| "equipe": equipe, |
| "saison": saison, |
| "nb_joueurs_utilises": nb_joueurs, |
| "rotation_effectif": round(float(rotation), 2), |
| "noyau_stable": noyau, |
| "profondeur_effectif": nb_joueurs, |
| "renforce_fin_saison": renforce, |
| "avantage_dom_club": avantage_dom, |
| "club_utilise_marge_100": marge_100, |
| } |
| ) |
|
|
|
|
| def _calc_renforce_fin_saison(group: pd.DataFrame) -> int: |
| """Bool: le club joue un ELO moyen plus eleve en fin saison (R7+) qu'en debut (R1-R3).""" |
| elo_col = "blanc_elo" |
| if elo_col not in group.columns or "ronde" not in group.columns: |
| return 0 |
|
|
| debut = group[group["ronde"] <= 3][elo_col].mean() |
| fin = group[group["ronde"] >= 7][elo_col].mean() |
|
|
| if pd.isna(debut) or pd.isna(fin): |
| return 0 |
| return int(fin > debut) |
|
|
|
|
| def _calc_avantage_dom(group: pd.DataFrame) -> float: |
| """Taux de victoire a domicile (parties jouees uniquement).""" |
| if "type_resultat" not in group.columns: |
| return 0.0 |
|
|
| played = group[group["type_resultat"].isin(_PLAYED_RESULTS)] |
| if len(played) == 0: |
| return 0.0 |
|
|
| victoires_dom = ( |
| played["type_resultat"].isin({"victoire_blanc", "victoire_blanc_ajournement"}) |
| ).sum() |
| return round(float(victoires_dom) / len(played), 3) |
|
|
|
|
| def _calc_marge_100(group: pd.DataFrame) -> float: |
| """Ratio de compositions ou le club utilise la marge 100 pts (decalages).""" |
| if "blanc_elo" not in group.columns or "echiquier" not in group.columns: |
| return 0.0 |
|
|
| rondes = group["ronde"].unique() |
| if len(rondes) == 0: |
| return 0.0 |
|
|
| nb_utilise = 0 |
| for ronde in rondes: |
| match = group[group["ronde"] == ronde].sort_values("echiquier") |
| if len(match) < 2: |
| continue |
| if _has_inversion(match): |
| nb_utilise += 1 |
|
|
| return round(nb_utilise / len(rondes), 3) |
|
|
|
|
| def _has_inversion(match: pd.DataFrame) -> bool: |
| """Verifie si le classement Elo n'est pas respecte (inversion < 100 pts).""" |
| elos = match["blanc_elo"].fillna(0).tolist() |
| for i in range(len(elos) - 1): |
| if elos[i] < elos[i + 1] and (elos[i + 1] - elos[i]) < 100: |
| return True |
| return False |
|
|
