Anterior

Siguientes

Ejercicio: Uso del aprendizaje automático y la desviación estándar para crear datos ficticios del partido

Completado

Hemos tenido un problema: no podemos obtener datos en tiempo real del partido que está jugando un equipo de los Looney. No disponemos de ninguna manera de ver un partido de baloncesto de 15 jugadores del equipo de los Looney y probar el modelo en una aplicación real.

Lo que sí podemos hacer es usar el truco que hemos aprendido, que consiste en probar el modelo para crear un conjunto de datos que simule un partido.

La aplicación web que compilaremos en las próximas unidades nos ayudará a decidir a qué jugador debemos darle un descanso para beber cada 12 minutos de un partido estándar de 48 minutos. Por lo tanto, debemos crear un archivo CSV que contendrá datos aleatorios del jugador en cuatro iteraciones: 0 minutos (el inicio del partido), 12 minutos, 24 minutos y 36 minutos:

# Initialize four empty DataFrames, one for each 12-minute period.
number_of_iterations = 4
df_list = [pd.DataFrame(columns=game_stat_cols, index=list(ts_df['player_name'])) for i in range(number_of_iterations)]

# For each period, generate randomized player data and predict the PER.
# Use the model fitted earlier.
for df in df_list:
    for stat in game_stat_cols:
        df[stat] = list(ts_df[stat] + randn(len(ts_df)) * stdev_s[stat])
    df['PER'] = lin_reg.predict(df)

# Concatenate the DataFrames and make the players' names the index.
game_df = pd.concat(df_list)
game_df.rename_axis('player_name', inplace=True)

# Create another index for the period in question.
minutes = [(x // len(ts_df)) * 12 for x in range(len(game_df))]
game_df['minutes'] = minutes
game_df.set_index('minutes', append=True, inplace=True)
game_df = game_df.swaplevel()

game_df

Este es el resultado:

minutes	player_name	TS%	AST	TO	USG	ORR	DRR	REBR	PER
0	Silvestre	0,617897	31,998307	16,008589	39,097789	6,413572	15,286788	12,792845	31,761414
	Marvin	0,605018	33,807167	13,666316	34,011445	6,441147	18,954713	15,582038	31,065373
	Correcaminos	0,606381	29,732153	15,027962	38,444237	4,532569	27,268949	10,968630	21,550397
	Gallo Claudio	0,606442	31,879217	15,467578	36,674624	6,019145	20,964740	14,774713	29,283807
	Bugs Bunny	0,636505	35,193108	15,708836	37,962839	6,116200	23,132887	15,677267	31,850749
...	...	...	...	...	...	...	...	...	...
36	Abuelita	0,608159	26,021605	14,814805	31,721274	6,422251	22,213857	16,454224	27,644534
	El Coyote	0,601998	29,851305	14,137783	32,102558	5,819653	25,550118	15,818051	25,497379
	Piolín	0,607711	25,210393	12,609053	34,014773	6,628928	27,041059	11,643892	20,439595
	Penélope	0,613901	25,007772	14,394944	28,324923	7,564207	23,184055	9,919301	16,124275
	El Pato Lucas	0,634848	31,911011	14,694308	33,226023	6,308140	18,023737	16,305183	33,155391

60 filas × ocho columnas

El DataFrame final parece completo. Podemos guardarlo como un archivo CSV para usarlo en la aplicación web. Al guardar este DataFrame como un archivo CSV, nos interesa conservar los índices, ya que los hemos convertido en los nombres de los jugadores.

# Export the finished DataFrame to CSV.
game_df.to_csv('game_stats.csv')

En la carpeta de Visual Studio Code debería aparecer un nuevo archivo CSV:

© 2021 Warner Bros. Ent. Todos los derechos reservados

Continuar