Python中基于time_played缩放运动员GPS数据集输入特征的技术问询

我看你正在处理足球运动员的GPS表现数据集，这里一共有6个输入/预测变量，其中distance、acc_events、dec_events这三个指标是和time_played强相关的——上场时间变了，这三个数据自然也会跟着变动。先把你的可复现代码整理成规范的Python格式，方便后续分析：

import pandas as pd

# 构建数据集字典
data = {
    'player id': ['1', '2', '3', '4'],  # 分类变量
    'position': ['1', '2', '3', '4'],   # 分类变量
    'time_played': ['50', '90', '88', '70'],
    'distance': ['5117', '11520', '10865', '8652'],
    'acc_events': ['2', '4', '8', '8'],
    'dec_events': ['3', '6', '7', '5']  # 补全你未写完的减速事件字段
}

# 转换成DataFrame
df = pd.DataFrame(data)

几个关键的处理建议： #

• 类型转换优先做：当前所有数值类变量（time_played、distance、acc_events、dec_events）都是字符串格式，必须先转成数值类型才能做后续的统计或建模：

  # 批量转换数值型变量
  num_cols = ['time_played', 'distance', 'acc_events', 'dec_events']
  df[num_cols] = df[num_cols].astype(int)
  
  # 分类变量转成category类型，节省内存
  df['player id'] = df['player id'].astype('category')
  df['position'] = df['position'].astype('category')
  

• 消除time_played的影响：因为那三个指标依赖上场时间，直接对比不公平，建议计算单位时间表现指标，比如：

  # 计算每分钟跑动距离（米/分钟）
  df['distance_per_min'] = df['distance'] / df['time_played']
  # 计算每分钟加速事件数
  df['acc_per_min'] = df['acc_events'] / df['time_played']
  # 计算每分钟减速事件数
  df['dec_per_min'] = df['dec_events'] / df['time_played']
  

• 后续分析方向：如果是做建模，可以考虑把time_played作为控制变量，或者直接用单位时间指标作为输入，这样模型能更准确地捕捉运动员的真实表现，而不是受上场时间的干扰。

内容的提问来源于stack exchange，提问作者vishnu prashanth