基于队伍实力，使用Scipy计算赛事获胜概率

核心思路 #

由于无法实现《Learning to Rank the Bayesian Way》中的贝叶斯推断方法，我们可以利用**逻辑斯蒂函数（S型曲线）**映射实力差与获胜概率的关系——这是体育竞技胜率估算的常用方法，符合"实力差越大，胜率越趋近于0或1"的规律。

Scipy提供两类工具实现需求：

• 无胜负标签时：用scipy.stats.logistic的累积分布函数（CDF）直接转换实力差；
• 有胜负标签时：用scipy.optimize.curve_fit拟合逻辑斯蒂函数参数，得到更贴合实际的结果。

数据预处理 #

首先修正实力差字段（原数据为绝对值，无法判断强弱）：

import pandas as pd
import scipy.stats as stats
import scipy.optimize as opt
import numpy as np

# 加载你的数据
data = {
    'strength_team': [30.000000, 78.332709, 59.179468, 38.104159, 59.314350, 42.622705, 37.261146, 90.000000, 70.981641, 67.744474, 83.795429, 54.289996, 37.800674, 43.634320, 74.825777, 85.818659, 32.708880, 30.000000, 53.941551, 78.332709],
    'strength_opponent': [34.945673, 66.968902, 53.941551, 32.708880, 49.704009, 51.558636, 52.570251, 47.107531, 72.263020, 47.512177, 30.449607, 52.334208, 53.076058, 51.693518, 58.336456, 58.032971, 66.968902, 59.179468, 34.945673, 38.104159],
    'strength_diff': [4.945673, 11.363807, 5.237917, 5.395279, 9.610341, 8.935931, 15.309105, 42.892469, 1.281379, 20.232297, 53.345822, 1.955789, 15.275384, 8.059198, 16.489322, 27.785688, 34.260022, 29.179468, 18.995879, 40.833455]
}
df = pd.DataFrame(data)

# 计算真实实力差：己方实力 - 对手实力（正表示己方更强，负表示对手更强）
df['true_diff'] = df['strength_team'] - df['strength_opponent']

方案1：无胜负标签时的快速估算 #

利用逻辑斯蒂分布的CDF，将真实实力差映射为0-1的概率，再转换为百分比：

# 用真实实力差的标准差作为缩放参数（控制曲线陡峭程度）
scale = df['true_diff'].std()

# 计算获胜概率（逻辑斯蒂CDF）
df['win_prob'] = stats.logistic.cdf(df['true_diff'], loc=0, scale=scale)

# 转换为百分比并保留两位小数
df['win_prob_pct'] = (df['win_prob'] * 100).round(2)

示例结果（前5行）：

方案2：有胜负标签时的精准拟合 #

如果有比赛胜负数据（假设df['win']列，1=己方胜，0=己方负），用curve_fit拟合逻辑斯蒂函数的参数：

# 定义逻辑斯蒂函数
def logistic_func(x, a, b):
    return 1 / (1 + np.exp(-(a + b * x)))

# 模拟胜负数据（实际中替换为真实数据）
df['win'] = (df['true_diff'] > 0).astype(int)

# 拟合参数
x = df['true_diff'].values
y = df['win'].values
popt, _ = opt.curve_fit(logistic_func, x, y, p0=[0, 0.1]) # p0为初始参数猜测

# 计算获胜概率
df['win_prob'] = logistic_func(df['true_diff'], *popt)
df['win_prob_pct'] = (df['win_prob'] * 100).round(2)

关键Scipy工具说明 #

• scipy.stats.logistic：提供逻辑斯蒂分布的CDF，无需训练即可快速转换实力差为概率，适合无标签场景；
• scipy.optimize.curve_fit：通过最小二乘法拟合自定义函数参数，能结合胜负数据得到更精准的胜率模型。

内容的提问来源于stack exchange，提问作者8-Bit Borges