【已更新】2024美赛C题代码教学思路数据处理数学建模分析Momentum in Tennis

本文主要是介绍【已更新】2024美赛C题代码教学思路数据处理数学建模分析Momentum in Tennis,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

问题一完整的代码已给出,预计2号晚上或者3号凌晨全部给出。

代码逻辑如下:
C题第一问要求我们开发一个模型,捕捉得分时的比赛流程,并将其应用于一场或多场比赛。你的模型应该确定哪名球员在比赛的特定时间表现得更好,以及他们的表现有多好。那么换句话说,就是评价球员在比赛期间的一个实时的状态,
因此对于这个问题求解的关键在于如何从给出的数据中提取特征,而不是侧重于套用模型进行评价
在于我们需要根据提供的数据,分析出选手在场上的心态,体能的实时状态,随后根据提取出的选手特征对选手的表现进行评价,最后的结果会抽象成为一个数值用于表现选手在某一时刻下的表现得分,根据得分的差别反应选手的表现好坏程度

部分代码可视化图如下:

【腾讯文档】2024美赛C题详情docs.qq.com/doc/DVVp3WFVmTERTTlhC

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

核心代码如下:

数据预处理部分:

数据预处理

Convert elapsed_time to timedelta

match_data[‘elapsed_time_td’] = pd.to_timedelta(match_data[‘elapsed_time’])

Calculate the time difference in seconds within each match_id group

match_data[‘time_diff’] = match_data.groupby(‘match_id’)[‘elapsed_time_td’].diff().dt.total_seconds()

Fill NaN values with the first elapsed_time value in each group, converted to seconds

match_data[‘time_diff’] = match_data.groupby(‘match_id’)[‘time_diff’].fillna(
match_data[‘elapsed_time_td’].dt.total_seconds()
)

Show the updated dataframe to verify changes

match_data[[‘match_id’, ‘elapsed_time’, ‘time_diff’]].head()

Group by [‘match_id’, ‘set_no’, ‘game_no’] and collect the corresponding ‘p1_points_won’, ‘p2_points_won’ into lists

grouped_data = match_data.groupby([‘match_id’, ‘set_no’, ‘game_no’])[[‘p1_points_won’, ‘p2_points_won’]].apply(lambda x: x.values.tolist()).reset_index(name=‘points_won_list’)

Convert the grouped data to a list of lists as requested

points_won_lists = grouped_data[‘points_won_list’].tolist()

Convert the ‘p1_points_won’, ‘p2_points_won’ values into their differences

points_diff_lists = [[p1 - p2 for p1, p2 in match] for match in points_won_lists]

Display the first few elements to verify the transformation

points_diff_lists[:5]

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

def Calculate_Performance(df):
df[‘p1’] = df[‘time_diff’]/100 + df[‘p1_sets’]*0.5 + df[‘p1_games’]*0.1 + df[‘p1_ace’] + df[‘p1_winner’]*0.5 - df[‘p1_unf_err’]*0.5
df[‘p2’] = df[‘time_diff’]/100 + df[‘p2_sets’]*0.5 + df[‘p2_games’]*0.1 + df[‘p2_ace’] + df[‘p2_winner’]*0.5 - df[‘p2_unf_err’]*0.5

for index in range(len(df)):if index == 0:if df.at[index, 'point_victor'] == 1:df.at[index, 'p1'] += 0.5else:df.at[index, 'p2'] += 0.5continueif df.at[index, 'point_victor'] == 1:if df.at[index-1, 'point_victor'] == 1:df.at[index, 'p1'] += 0.5 * 1.2else:df.at[index, 'p1'] += 0.5else:if df.at[index-1, 'point_victor'] == 1:df.at[index, 'p2'] += 0.5else:df.at[index, 'p2'] += 0.5 * 1.2return df['p1'], df['p2']

调用函数并获取结果

p1_scores, p2_scores = Calculate_Performance(match_data[match_data[‘match_id’]==‘2023-wimbledon-1301’])
p1_scores, p2_scores

在这里插入图片描述

问题分析
问题围绕2023年温网男单决赛中,20岁的西班牙新星卡洛斯·阿尔卡拉兹击败36岁的诺瓦克·德约科维奇的比赛。德约科维奇自2013年以来首次在温布尔登输球,结束了他在大满贯赛事中的杰出表现。这场比赛被认为是一场精彩的较量,经历了多次势头的转换,这些势头转换通常被归因于“动量”。在体育运动中,团队或球员可能会在比赛/比赛中感觉到自己有动量,或“力量/力量”,但很难衡量这种现象。此外,还不清楚比赛中的各种事件是如何产生或改变势头的。

提供了2023年温布尔登网球公开赛前两轮之后所有男子比赛的每一分数据。您可以自行选择包含其他玩家信息或其他数据,但必须完整记录来源。

也就是说,我们需要通过对已有的数据进行处理,找到其中包含动量特征的因素,构建一个模型去衡量这些因素是否使得我们选手的表示更加生猛,下面是我们的一个具体思路。

数据预处理
确保每个比赛的数据完整性,包括比赛时间、比分、发球情况等。
转换时间格式,统一比分表示方法。
将数据转换成可处理的数值数据,如在玩家的得分中,包含了AD这一项,这不利于我们后续的数据处理,可以将其转换成50

特征提取
目标是找到可以为运动员积累获胜“动量”的特征,可以从以下角度考虑是否存在连胜的“动量”。
比分变化:记录每一分后的总比分变化。
发球优势:统计每位运动员的发球局中赢得的分数比例。
破发点:记录每位运动员赢得和失去的破发点数量。
连续得分:运动员连续得分的次数,反映比赛势头。
回球成功率:根据返回深度和速度评估回球成功率。
运动员移动距离:反映体能和比赛中的活跃度。

模型设计
使用逻辑回归或随机森林等机器学习方法来评估每位运动员的表现。模型的输入是上述特征,输出是每位运动员的表现评分。

模型应用
选择具体的比赛数据应用模型,比较不同运动员的表现评分。

结果分析
根据模型的评分结果,分析哪位运动员在比赛中表现更好及其显示出的优势。

接下来,我们将开始实现这些步骤。首先进行数据预处理和特征提取。我们将从提供的比赛数据中提取关键特征。左图展示了比赛中每个得分点后选手之间比分差异的变化。这可以帮助我们理解比赛的势头和选手间的竞争状态。右图展示了比赛过程中两位选手总移动距离的变化,反映了选手的体能消耗和场上活跃度。
在这里插入图片描述

下图通过计算选手1在其发球局中赢得的分数比例,我们绘制了一个折线图来展示选手在不同round下的总共的移动距离以及得分比例。

在这里插入图片描述

这篇关于【已更新】2024美赛C题代码教学思路数据处理数学建模分析Momentum in Tennis的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/675642

相关文章

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题

题库来源:安全生产模拟考试一点通公众号小程序 2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题是由安全生产模拟考试一点通提供,流动式起重机司机证模拟考试题库是根据流动式起重机司机最新版教材,流动式起重机司机大纲整理而成(含2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题参考答案和部分工种参考解析),掌握本资料和学校方法,考试容易。流动式起重机司机考试技

poj3468(线段树成段更新模板题)

题意:包括两个操作:1、将[a.b]上的数字加上v;2、查询区间[a,b]上的和 下面的介绍是下解题思路: 首先介绍  lazy-tag思想:用一个变量记录每一个线段树节点的变化值,当这部分线段的一致性被破坏我们就将这个变化值传递给子区间,大大增加了线段树的效率。 比如现在需要对[a,b]区间值进行加c操作,那么就从根节点[1,n]开始调用update函数进行操作,如果刚好执行到一个子节点,

hdu1394(线段树点更新的应用)

题意:求一个序列经过一定的操作得到的序列的最小逆序数 这题会用到逆序数的一个性质,在0到n-1这些数字组成的乱序排列,将第一个数字A移到最后一位,得到的逆序数为res-a+(n-a-1) 知道上面的知识点后,可以用暴力来解 代码如下: #include<iostream>#include<algorithm>#include<cstring>#include<stack>#in

hdu1689(线段树成段更新)

两种操作:1、set区间[a,b]上数字为v;2、查询[ 1 , n ]上的sum 代码如下: #include<iostream>#include<algorithm>#include<cstring>#include<stack>#include<queue>#include<set>#include<map>#include<stdio.h>#include<stdl

【专题】2024飞行汽车技术全景报告合集PDF分享(附原数据表)

原文链接: https://tecdat.cn/?p=37628 6月16日,小鹏汇天旅航者X2在北京大兴国际机场临空经济区完成首飞,这也是小鹏汇天的产品在京津冀地区进行的首次飞行。小鹏汇天方面还表示,公司准备量产,并计划今年四季度开启预售小鹏汇天分体式飞行汽车,探索分体式飞行汽车城际通勤。阅读原文,获取专题报告合集全文,解锁文末271份飞行汽车相关行业研究报告。 据悉,业内人士对飞行汽车行业

活用c4d官方开发文档查询代码

当你问AI助手比如豆包,如何用python禁止掉xpresso标签时候,它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来

高效录音转文字:2024年四大工具精选!

在快节奏的工作生活中,能够快速将录音转换成文字是一项非常实用的能力。特别是在需要记录会议纪要、讲座内容或者是采访素材的时候,一款优秀的在线录音转文字工具能派上大用场。以下推荐几个好用的录音转文字工具! 365在线转文字 直达链接:https://www.pdf365.cn/ 365在线转文字是一款提供在线录音转文字服务的工具,它以其高效、便捷的特点受到用户的青睐。用户无需下载安装任何软件,只

poj 1258 Agri-Net(最小生成树模板代码)

感觉用这题来当模板更适合。 题意就是给你邻接矩阵求最小生成树啦。~ prim代码:效率很高。172k...0ms。 #include<stdio.h>#include<algorithm>using namespace std;const int MaxN = 101;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int n

uva 10014 Simple calculations(数学推导)

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导,第二次没有继续下去。 代码: #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf