"""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