如何基于队员信息构建pandas数据集训练模型预测队伍赛事排名

核心逻辑是按「单届赛事+单支队伍」为一行的粒度构造样本，所有特征绑定赛事开赛之前的已知信息，标签为该队伍本届赛事最终排名，完全适配队员每届变动的场景。

1. 标准数据集字段框架 #

你可以按照以下分类设置字段，可直接对齐你需要的结构：

• 基础标识字段：event_id（赛事唯一ID）、event_year（赛事举办年份）、team_id（队伍唯一ID）、team_name（队伍名称）
• 队员特征字段（两种实现可选）：
  • 聚合类：把本届该队伍所有队员的属性做统计聚合，比如player_avg_rating（队员平均个人评分）、player_total_match_sum（队员累计参赛总次数）、player_top3_ratio（拿过赛事前三的队员占比）、pos_max_ability（各位置队员能力峰值）
  • 宽表类：如果单队参赛人数固定（比如电竞5人、球类11人），可以按player_1_rating、player_1_match_count、player_2_rating…的格式单独存每个队员的属性，空位统一填0即可，适配树类模型训练
• 队伍历史特征字段：team_recent_3event_avg_rank（队伍近3届同类型赛事平均排名）、team_champion_count（队伍历史夺冠次数）
• 赛事上下文字段：event_total_teams（本届总参赛队伍数）、event_prize_level（本届赛事奖金量级）
• 标签字段：final_rank（该队伍本届赛事最终排名，即模型预测目标）

注意：所有队员、队伍特征都必须取对应赛事开赛之前的历史数据，禁止使用本届赛事过程中产生的战绩数据，避免数据泄露导致模型效果虚高

2. pandas构造代码示例 #

import pandas as pd

# 提前准备4张原始基础表即可
# event_df：每届赛事的基础信息（赛事ID、年份、总参赛队、奖金等）
# team_player_df：每届赛事每支队伍的参赛队员ID关联表
# player_df：所有队员的个人属性、历史战绩表
# rank_df：每届赛事所有队伍的最终排名结果表

# 第一步：聚合生成单队单届的队员特征
player_feature_df = team_player_df.merge(
    player_df, on="player_id", how="left"
).groupby(
    ["event_id", "team_id"], as_index=False
).agg(
    player_avg_rating=("personal_rating", "mean"),
    player_total_match_sum=("total_career_matches", "sum"),
    player_top3_ratio=("has_top3_experience", "mean")
)

# 第二步：关联所有维度得到最终训练集
train_df = rank_df.merge(
    event_df, on="event_id", how="left"
).merge(
    player_feature_df, on=["event_id", "team_id"], how="left"
# 可继续关联提前算好的队伍历史特征表
).fillna(0)

3. 优化方向 #

• 如果需要支持输入任意人数的队员名单做预测，可以不用做聚合，将每个队员的特征序列化后存为player_feature_list列，训练时用LSTM、Transformer等序列模型处理即可
• 可加入本届赛事的横向对比特征，比如当前队伍的队员平均评分在本届所有参赛队中的分位值team_rating_percentile，提升模型对同赛事队伍水平差异的识别能力

内容的提问来源于stack exchange，提问作者BKBlaze king