2018 年世界杯小組賽已經在如火如荼的進行中。在上篇文章我用Python分析了4W場比賽，2018世界杯冠軍竟然是……的基礎上，我們繼續分析世界杯 32 強的實力情況，以便能夠更進一步分析本次世界杯的奪冠熱門球隊。

三十年河東三十年河西，對于世界杯而言，這個時間可能 4 年就足夠。前幾場爆冷，使得天臺上已經擁擠不堪，跳水的股市更是讓天臺一度混亂。

在文章開始之前，提醒大家：賭球有風險，看球須盡興。本文的重點是通過分析 32 強之間的比賽，透過歷史數據來預測奪冠熱門球隊。

本次分析的數據來源于 Kaggle， 包含從 1872 年到今年的數據，包括世界杯比賽、世界杯預選賽、亞洲杯、歐洲杯、國家之間的友誼賽等比賽，一共大約 40000 場比賽的情況。

本次的環境為：

• Window 7 系統
• Python 3.6
• Jupyter Notebook
• pandas version 0.22.0

先來看看數據的情況：

import pandas as pd 
import matplotlib.pyplot as plt 
%matplotlib inline 
plt.style.use('ggplot') 
# 解決matplotlib顯示中文問題 
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默認字體 
plt.rcParams['axes.unicode_minus'] = False  # 解決保存圖像是負號'-'顯示為方塊的問題 
df = pd.read_csv('results.csv') 
df.head() 

該數據集包含的數據列的信息如下：

• 日期
• 主隊名稱
• 客隊名稱
• 主隊進球數 （不含點球）
• 客隊進球數 （不含點球）
• 比賽的類型
• 比賽所在城市
• 比賽所在國家
• 是否中立

結果如下：

獲取所有世界杯比賽的數據（含預選賽）

創建一個新的列數據，包含獲勝隊伍的信息，以及獲取所有世界杯比賽的數據，包含預選賽。

mask = df['home_score'] - df['away_score'] 
df.loc[mask > 0, 'win_team'] = df.loc[mask > 0, 'home_team'] 
df.loc[mask < 0, 'win_team'] = df.loc[mask < 0, 'away_team'] 
df.loc[mask == 0, 'win_team'] = 'Draw' 
df_FIFA_all = df[df['tournament'].str.contains('FIFA', regex=True)] 

結果如下：

世界杯戰績分析 （含預選賽）

從前文來看， 在世界杯歷史上，實力最強的 5 支球隊是德國、阿根廷、巴西、法國、西班牙。

接下來，我們將比賽的范圍擴大至包含世界杯預選賽，通過 5 支球隊之間的比賽情況來進行分析。

team_top5 = ['Germany', 'Argentina', 'Brazil', 'France', 'Spain'] 
df_FIFA_top5 = df_FIFA_all[(df_FIFA_all['home_team'].isin(team_top5))& 
                                        (df_FIFA_all['away_team'].isin(team_top5))] 
df_FIFA_top5.shape 
out: 
(43, 10) 

在世界杯歷史上，5 支球隊在共有 43 場比賽相遇。

通過這 43 場比賽分析后，5 支球隊的勝負場數排名如下：

s_FIFA_top5 = df_FIFA_top5.groupby('win_team')['win_team'].count() 
s_FIFA_top5.drop('Draw', inplace=True) 
s_FIFA_top5.sort_values(ascending=False, inplace=True) 
s_FIFA_top5.plot(kind='bar', figsize=(10,6), title='Top Five in World Cup') 

結果如下：

下面，著重來分析下這 5 支球隊，在世界杯上，兩兩對陣時的勝負情況。

首先自定義兩個函數，分別獲得兩支球隊獲勝場數情況以及自定義繪圖函數，代碼如下：

# 自定義函數，返回兩支球隊獲勝場數情況 
def team_vs(df,team_A,team_B): 
    df_team_A_B = df[(df['home_team'].isin([team_A,team_B]))& 
                                        (df['away_team'].isin([team_A,team_B]))] 
    s_win_team = df_team_A_B.groupby('win_team')['win_team'].count() 
    return s_win_team 
# 如需獲取本文源代碼，請關注公眾號“Python數據之道”， 
# 在公眾號后臺回復 “code” ，謝謝大家支持。 
# 自定義函數，兩支球隊在世界杯的對陣勝負情況制圖 
def team_vs_plot(df,team_A,team_B,ax): 
    s_win_FIFA = team_vs(df,team_A,team_B) 
    title = team_A + ' vs ' +team_B 
    s_win_FIFA.plot(kind='bar', ax =ax) 
    ax.set_xlabel('') 
    ax.set_title(title,fontdict={'fontsize':10}) 
    ax.set_xticklabels(s_win_FIFA.index, rotation=20) 

基于上述函數，分析世界杯戰績的結果如下：

巴西 vs 其他 4 支球隊

f, axes = plt.subplots(figsize=(10,10), ncols=2, nrows=2) 
ax1, ax2,ax3,ax4 = axes.ravel() 
team_vs_plot(df_FIFA_all,'Brazil','Germany',ax=ax1) 
team_vs_plot(df_FIFA_all,'Brazil','Argentina',ax=ax2) 
team_vs_plot(df_FIFA_all,'Brazil','France',ax=ax3) 
team_vs_plot(df_FIFA_all,'Brazil','Spain',ax=ax4) 
# 如需獲取本文源代碼，請關注公眾號“Python數據之道”， 
# 在公眾號后臺回復 “code” ，謝謝大家支持。 
# set main title of the figure 
plt.suptitle('Brazil vs other Top 4 teams in World Cup', fontsize=14, fontweight='bold', x=0.5, y=0.94) 
plt.show() 

結果如下：

統計現象 1： 

在世界杯上的戰績，統計獲勝場數如下（不含平局）：

巴西 1：1 德國，巴西 6：3 阿根廷，巴西 1：2 法國，巴西 3：1 西班牙

巴西隊，輸贏不好判斷……

德國 vs 其他 3 支球隊

代碼跟 2.1 部分是類似的，結果如下：

統計現象 2：

在世界杯上的戰績，統計獲勝場數如下（不含平局）：

德國 4：1 阿根廷，德國 2：1 法國，德國 2：1 西班牙

德國在這 5 支球隊里，獲勝的優勢相對比較明顯。

阿根廷 vs 其他 2 支球隊

代碼跟 2.1 部分是類似的，結果如下：

統計現象3：

在世界杯上的戰績，統計獲勝場數如下（不含平局）：

阿根廷 2：0 法國，阿根廷 1：0 西班牙

但阿根廷不敵巴西和德國

西班牙 vs 法國

綜合小結論：從歷屆世界杯上的表現情況來看，分析 5 強之間兩兩對陣后，發現德國隊的表現是最好的，其次巴西和阿根廷的表現也不錯。

考慮到，歷屆世界杯的數據，時間跨度很大，很多球隊已經發生了很大變化。

球隊真實的情況，可能選擇近幾年的比賽，以及包含不同級別的比賽，可能分析效果要更好些。

下面，重點來分析 2014 年以來包含所有比賽的情況。

2014 年以來，所有比賽的戰績對比

首先，時間選擇 2014 年之后（含 2014 年），距離現在的時間比較近，相對來說，球隊人員的組成變化小一些。

當然，這里的時間選擇，對于結果是有影響的。 大家可以探討下這個因素帶來的影響。

2014 年以來所有球隊所有比賽勝負情況概覽：

df['date'] = pd.to_datetime(df['date']) 
df['year'] = df['date'].dt.year 
df_since_2014 = df[df['year']>=2014] 
df_since_2014.shape 

2014 年以來，共有 3600 多場比賽。針對 3600 多場比賽分析后，勝負場數情況如下：

s_all = df_since_2014.groupby('win_team')['win_team'].count() 
s_all.drop('Draw', inplace=True) 
s_all.sort_values(ascending=True, inplace=True) 
s_all.tail(50).plot(kind='barh', figsize=(8,16), tick_label='',title='Top 50 in all tournament since 2014') 

從上圖來看，2014 年以來，墨西哥，法國，德國、葡萄牙、巴西、比利時、韓國和西班牙表現相對較好。

結果是不是跟想象中的有些差異？6 月 17 日的小組賽，德國不敵墨西哥，看來也不是全無理由的。

但是，本次我們主要還是要考慮 32 強之間的對陣，這樣更能反映現實情況。

2014 年以來 32 強相互之間在所有比賽中的概覽情況：

team_list = ['Russia', 'Germany', 'Brazil', 'Portugal', 'Argentina', 'Belgium', 'Poland', 'France', 
             'Spain', 'Peru', 'Switzerland', 'England', 'Colombia', 'Mexico', 'Uruguay', 'Croatia', 
            'Denmark', 'Iceland', 'Costa Rica', 'Sweden', 'Tunisia', 'Egypt', 'Senegal', 'Iran', 
            'Serbia', 'Nigeria', 'Australia', 'Japan', 'Morocco', 'Panama', 'Korea Republic', 'Saudi Arabia'] 
df_top32 = df_since_2014[(df_since_2014['home_team'].isin(team_list))&(df_since_2014['away_team'].isin(team_list))] 
s_top32 = df_top32.groupby('win_team')['win_team'].count() 
s_top32.drop('Draw', inplace=True) 
s_top32.sort_values(ascending=True, inplace=True) 
s_top32.plot(kind='barh', figsize=(8,12), tick_label='',title='Top 32 in all tournament since 2014') 
# plt.ylabel('') 

 

從上圖來看，自 2014 年以來，巴西、法國、葡萄牙、阿根廷、墨西哥、比利時、德國、西班牙、英國為前 9 強。

下面我們來分析 Top 9 之間的勝負情況：

team_top9 = [ 'Brazil', 'France', 'Portugal', 
             'Argentina','Mexico','Belgium', 
             'Germany','Spain','England'] 
df_top9 = df_since_2014[(df_since_2014['home_team'].isin(team_top9))& 
                        (df_since_2014['away_team'].isin(team_top9))] 
df_top9.shape 

2014 年以來，Top 9 之間一共踢了 44 場比賽（包括友誼賽）。

總體來說，比賽的場數不是太多，基于這些數據來分析，可能對結果會有較大的影響。

九強排名如下：

s_top9 = df_top9.groupby('win_team')['win_team'].count() 
s_top9.drop('Draw', inplace=True) 
s_top9.sort_values(ascending=False, inplace=True) 
s_top9.plot(kind='bar', figsize=(10,6), title='Top 9 in all tournament since 2014') 

來查看下都統計了哪些類型的比賽：

s_tournament = df_top9.groupby('tournament')['tournament'].count() 
s_tournament_percentage = s_tournament/s_tournament.sum() 
# s_tournament_percentage.sort_values(ascending=False, inplace=True) 
s_tournament_percentage.tail(20).plot(kind='pie', figsize=(10,10), autopct='%.1f%%', 
                           startangle=150, title='percentage of tournament', label='', 
                                     labeldistance=1.25, pctdistance=1.08) 

從上面來看，友誼賽占的比例較大?？紤]到友誼賽在有些情況下可能不能比較準確的反映出球隊的真實水平，且友誼賽占的場數比例較大，我們剔除友誼賽再來看看結果情況。

2014 年以來 32 強剔除友誼賽后的勝負情況概覽：

df_top9_no_friendly = df_top9[df_top9['tournament']!= 'Friendly'] 
df_top9_no_friendly.groupby('tournament')['tournament'].count() 
out: 
tournament 
Confederations Cup              3 
FIFA World Cup                  6 
FIFA World Cup qualification    2 
UEFA Euro                       2 
Name: tournament, dtype: int64 

剔除友誼賽后，比賽類型分布如下：

剔除友誼賽后，Top 9 的情況如下：

在概覽中可以看出，是否剔除友誼賽（Friendly），對排名還是有影響的。

另外，剔除友誼賽后，總的比賽場數更少了（只有 13 場），9 強之間有些隊伍沒有比賽，或者沒有贏過，這個數據用來分析的作用更有限。

當然，在分析中 是否要剔除友誼賽，應該是值得商榷的。

九強兩兩對陣的勝負情況概覽

這里，我們后續分析采用包含友誼賽的數據，來分別分析9強之間兩兩對陣的情況，看看哪支球隊的勝率更高些。

首先自定義幾個函數，方便進行分析。自定義獲取球隊某年至今獲勝比例函數：

# 自定義獲取球隊某年至今獲勝比例函數 
def probability(df,year,team_A,team_B): 
    prob = [] 
    df_year = df[df['year']>= year] 
    s = team_vs(df_year,team_A,team_B) 
    s_team_A = 0 if s.get(team_A) is None else s.get(team_A) 
    s_A_win = s_team_A/s.sum() 
    s_team_B = 0 if s.get(team_B) is None else s.get(team_B) 
    s_B_win = s_team_B/s.sum() 
    s_draw = 1 - s_A_win - s_B_win 
    prob.append(year) 
    prob.append(s_A_win) 
    prob.append(s_B_win) 
    prob.append(s_draw) 
    return prob   

自定義獲取兩支球隊歷史獲勝情況對比函數：

# 自定義獲取兩支球隊歷史獲勝情況對比函數 
def his_team_data(df,year_start,year_end,team_A,team_B): 
    row_team = [] 
#     df_team = pd.DataFrame(columns=('year', 'team_A_win', 'team_B_win', 'draw')) 
    for yr in list(range(year_start,year_end+1)): 
        team_A_vs_team_B = probability(df,yr,team_A,team_B) 
        row_team.append(team_A_vs_team_B) 
    team_A_win = team_A + '_win_percentage' 
    team_B_win = team_B + '_win_percentage' 
    df_team = pd.DataFrame(row_team, columns=('year', team_A_win, team_B_win, 'draw_percentage')) 
    return df_team 

自定義兩支球隊歷史獲勝情況制圖函數：

# 自定義兩支球隊歷史獲勝情況制圖函數 
def team_plot(df,year_start,year_end,team_A,team_B,ax): 
    team_A_vs_team_B = team_A + '_vs_' + team_B 
    team_A_vs_team_B = his_team_data(df,year_start,year_end,team_A,team_B) 
    title = team_A + ' vs ' + team_B 
    columns = [team_A+'_win_percentage',team_B+'_win_percentage','draw_percentage'] 
    team_A_vs_team_B.set_index('year')[columns].plot(kind='line',figsize=(10,6), title=title,ax=ax) 

這些函數有什么用呢，首先我們來分析下巴西 vs 德國的情況，如下：

team_A = 'Brazil' 
team_B = 'Germany' 
f, axes = plt.subplots(figsize=(6,12), ncols=1, nrows=2) 
ax1, ax2 = axes.ravel() 
team_plot(df,1930,2016,team_A,team_B,ax1) 
ax1.set_xlabel('') 
team_plot(df,2000,2016,team_A,team_B,ax2) 
ax2.set_title('') 
plt.show() 

上述圖中，x 軸代表的含義是從某年至今（數據集含有部分 2018 年的比賽數據），兩支球隊的勝負情況。 

例如 2012 對應的是德國跟巴西從 2012 年至今，兩支球隊的勝負情況。所以，時間越早，兩支球隊的比賽數量越多，數據曲線的波動可能要小些。

但由于球隊的成員組成在不斷的變化，會導致越早的數據，其分析價值越弱。 因此，選擇合適的年份進行分析就顯得很重要。

有童鞋說，如果我要同時分析德國對陣另外 8  支球隊呢？

這里，用上面的函數，也是很迅速的，代碼如下：

team_A = 'Germany' 
for team in ['France','Portugal', 'Argentina','Mexico','Belgium','Brazil','Spain','England']: 
    team_B = team 
    f, axes = plt.subplots(figsize=(6,12), ncols=1, nrows=2) 
    ax1, ax2 = axes.ravel() 
    team_plot(df,1930,2016,team_A,team_B,ax1) 
    ax1.set_xlabel('') 
    team_plot(df,2000,2016,team_A,team_B,ax2) 
    ax2.set_title('') 
    plt.show() 

運行上述代碼后，將會繪制 8 張圖，下面只放上其中幾張圖。

同理，如果你喜歡巴西隊或者別的球隊，也可以用上述代碼進行分析。 

 

用上述函數可以快速的分析兩支球隊的歷史勝負情況，當然，有些球隊之間，相遇很少，或者近些年沒有遭遇過，那分析結果可能就不好用了。

[[234068]]

當然，數據分析的只是歷史情況，足球是圓的，場上瞬息萬變。比如，阿根廷現在岌岌可危，梅西內心慌得一比……

預測

本屆世界杯真的是爆冷太多：

• 意大利，荷蘭，連小組賽都沒進
• 阿根廷，可以說現在已涼了半截
• 德國隊，若不是最后的絕殺，也差不多可以送首涼涼了，不過現在看已回血大半

最后，來放上我的神預測。黑馬年年有，今年特別多，預測不準，坐等 pia pia 打臉。

當然，其實我內心深處希望是下面這樣的。怎么樣，為強大的內心點贊吧~~

特別說明： 以上數據分析，純屬個人學習用，預測結果與實際情況可能偏差很大，不能用于其他用途。