Python循环传值给poisson.pmf计算足球赛进球概率的问题求解

报错原因 #

你出现维度不匹配报错的核心原因是把np.clip返回的Series额外套了一层列表，导致xG参数的维度和进球数数组维度无法对齐广播。另外手动定义每个比分变量的方式冗余度极高，我们可以通过numpy广播特性一次性计算所有比分的概率。

优化后完整代码 #

import numpy as np
import pandas as pd
from scipy.stats import poisson

# 配置参数
max_goals = 5 # 最多计算到双方各进5球
goals_arr = np.arange(max_goals + 1)

# 处理xG参数，调整为(比赛数, 1)的二维数组适配广播规则
home_xg = np.clip(xG_fixtures['home_xG'], 1.0, None).values.reshape(-1, 1)
away_xg = np.clip(xG_fixtures['away_xG'], 1.0, None).values.reshape(-1, 1)

# 批量计算所有比分的概率，输出形状为 [比赛数, 主场进球数, 客场进球数]
home_pmf = poisson.pmf(goals_arr, home_xg)
away_pmf = poisson.pmf(goals_arr, away_xg)
all_score_probs = np.einsum('nc, nr -> ncr', home_pmf, away_pmf) * 100

# 初始化结果表
predict_outcome = xG_fixtures[['fixture.id', 'teams.home.name', 'teams.away.name']].copy()

# 批量添加所有比分对应概率列
for hg in goals_arr:
    for ag in goals_arr:
        if hg > ag:
            cate = 'home'
        elif hg == ag:
            cate = 'draw'
        else:
            cate = 'away'
        col_name = f"{cate} {hg} - {ag}"
        predict_outcome[col_name] = all_score_probs[:, hg, ag]

# 汇总三类结果概率
predict_outcome['home %'] = predict_outcome.filter(like='home ').sum(axis=1)
predict_outcome['draw %'] = predict_outcome.filter(like='draw ').sum(axis=1)
predict_outcome['away %'] = predict_outcome.filter(like='away ').sum(axis=1)

# 输出结果
print(predict_outcome)

代码说明 #

1. 把xG数组调整为(比赛数, 1)的二维结构后，和长度为6的进球数数组计算时，numpy会自动扩展维度完成广播，不会再出现维度不匹配的报错
2. 使用einsum一次性计算所有场次所有比分的联合概率，避免手动写每个比分的计算逻辑
3. 双层循环自动生成所有比分的列名并赋值，后续如果要调整最多计算的进球数，只需要修改max_goals参数即可，不需要修改其他逻辑
4. 汇总概率用filter方法直接筛选对应前缀的列，逻辑更简洁

内容的提问来源于stack exchange，提问作者Thomas Batelaan