使用pandas的shift与rolling构建足球预测ML模型时遇技术问题

核心问题分析 #

你之前的代码存在两个关键问题：

• 没有按球队分组，所有球队的比赛数据混合计算滚动平均，结果完全不符合需求
• 先shift(1)再rolling(n)的顺序错误，导致有效数据量不必要减少

正确实现步骤 #

要计算当前比赛前n场的平均进球数，必须按球队分组、保证比赛时间顺序，再调整滚动平均和位移的顺序：

1. 先将数据按球队和比赛日期排序，确保每个球队的比赛按时间先后排列
2. 按球队分组后，先计算包含当前场的n场滚动平均，再用shift(1)将结果下移一行，这样当前行的数值就是该球队当前场之前的n场平均进球

代码示例 #

假设你的数据包含主队列HomeTeam、客队列AwayTeam、主队进球FTHG、客队进球FTAG和比赛日期Date：

import pandas as pd

df = pd.read_csv("D1.csv")
n = 5

# 转换日期格式并按球队+日期排序，保证比赛顺序正确
df['Date'] = pd.to_datetime(df['Date'])
df = df.sort_values(['HomeTeam', 'Date'])

# 计算主队过去5场平均进球（排除当前场）
df['Home_Prev5_Avg'] = df.groupby('HomeTeam')['FTHG'].rolling(n).mean().shift(1).reset_index(level=0, drop=True)

# 同理计算客队过去5场平均进球
df['Away_Prev5_Avg'] = df.groupby('AwayTeam')['FTAG'].rolling(n).mean().shift(1).reset_index(level=0, drop=True)

关键说明 #

• 每个球队的前n场比赛会出现NaN，这是合理的（因为没有足够的历史数据），你可以根据需求选择保留这些行，或者用df.dropna()删除
• 先rolling再shift的顺序，既避免了当前场数据被纳入计算，又最大化保留了有效数据量

内容的提问来源于stack exchange，提问作者Jack