FBref足球数据爬取问题：未开赛赛事无法加载至ML数据集

核心问题原因 #

你的代码使用默认的**内连接（inner join）**合并matches（包含已完赛+未开赛赛事）和shooting（仅包含已完赛赛事的射门数据），只有两边Date完全匹配的行才会被保留。未开赛赛事没有对应的射门统计数据，因此合并时被直接过滤掉了。

修复步骤 #

1. 改用左连接保留所有赛事行 #

将merge操作改为左连接（left join），这样matches中的所有赛事（包括未开赛的）都会被保留，没有射门数据的字段自动填充为NaN，适配机器学习中待预测样本的特征缺失场景。

2. 新增标记区分赛事状态 #

添加字段标记已完赛/未开赛赛事，方便后续对两类数据做不同处理（比如已完赛数据用于训练，未开赛数据用于预测）。

修改后的关键代码段 #

try:
    # 左连接保留matches中所有赛事行
    team_data = matches.merge(shooting[["Date", "Sh", "SoT", "Dist", "FK", "PK", "PKatt"]], 
                             on="Date", 
                             how="left")
    # 标记赛事是否已完赛：已完赛赛事有明确比分，未开赛的Score为空或含'vs'
    team_data["Is_Played"] = team_data["Score"].notna() & ~team_data["Score"].str.contains("vs", na=False)
except ValueError:
    continue

额外注意事项 #

• 未开赛赛事的Score、Sh、SoT等字段会是NaN，后续机器学习预处理时可根据需求选择填充默认值（如0）、删除或用模型预测缺失值。
• 确保matches和shooting的Date列格式统一（如YYYY-MM-DD），避免格式不匹配导致连接失败，可通过以下代码统一转换：

  matches["Date"] = pd.to_datetime(matches["Date"])
  shooting["Date"] = pd.to_datetime(shooting["Date"])
  

内容的提问来源于stack exchange，提问作者mmoore0323