| """Head-to-head (H2H) historique - ISO 5055/5259. |
| |
| Ce module implémente le calcul de l'historique H2H entre paires de joueurs. |
| Feature importante pour prédiction: certains joueurs ont des résultats |
| atypiques contre des adversaires spécifiques. |
| |
| Sources: |
| - AI Sports Predictions 2025 (ainewshub.org) |
| - EloMetrics IEEE 2025 |
| |
| Conformité: |
| - ISO 5055: Module <300 lignes, responsabilité unique |
| - ISO 5259: Features calculées depuis données réelles |
| """ |
|
|
| from __future__ import annotations |
|
|
| import logging |
|
|
| import pandas as pd |
|
|
| logger = logging.getLogger(__name__) |
|
|
|
|
| def calculate_head_to_head(df: pd.DataFrame, min_games: int = 3) -> pd.DataFrame: |
| """Calcule l'historique H2H entre paires de joueurs. |
| |
| Feature importante pour prédiction: certains joueurs ont |
| des résultats atypiques contre des adversaires spécifiques. |
| |
| Args: |
| ---- |
| df: DataFrame échiquiers avec parties jouées |
| min_games: Minimum de confrontations pour inclure |
| |
| Returns: |
| ------- |
| DataFrame avec colonnes: |
| - joueur_a: premier joueur (ordre alphabétique) |
| - joueur_b: second joueur |
| - nb_confrontations: nombre total de parties |
| - score_a: score moyen joueur A contre B [0, 1] |
| - score_b: score moyen joueur B contre A [0, 1] |
| - avantage_a: score_a - score_b |
| |
| ISO 5259: H2H calculé depuis confrontations réelles. |
| """ |
| logger.info("Calcul historique H2H entre joueurs...") |
|
|
| if df.empty: |
| return pd.DataFrame() |
|
|
| |
| parties = df[ |
| ~df["type_resultat"].isin(["non_joue", "forfait_blanc", "forfait_noir", "double_forfait"]) |
| ].copy() |
|
|
| if "blanc_nom" not in parties.columns or "noir_nom" not in parties.columns: |
| return pd.DataFrame() |
|
|
| |
| h2h_data: dict[tuple[str, str], dict[str, float]] = {} |
|
|
| for _, row in parties.iterrows(): |
| blanc = str(row["blanc_nom"]) |
| noir = str(row["noir_nom"]) |
| res_blanc = row.get("resultat_blanc", 0.5) |
| res_noir = row.get("resultat_noir", 0.5) |
|
|
| |
| if blanc < noir: |
| key = (blanc, noir) |
| score_a, score_b = res_blanc, res_noir |
| else: |
| key = (noir, blanc) |
| score_a, score_b = res_noir, res_blanc |
|
|
| if key not in h2h_data: |
| h2h_data[key] = {"games": 0, "score_a": 0.0, "score_b": 0.0} |
|
|
| h2h_data[key]["games"] += 1 |
| h2h_data[key]["score_a"] += score_a |
| h2h_data[key]["score_b"] += score_b |
|
|
| |
| result_data = [] |
| for (joueur_a, joueur_b), stats in h2h_data.items(): |
| if stats["games"] >= min_games: |
| avg_a = stats["score_a"] / stats["games"] |
| avg_b = stats["score_b"] / stats["games"] |
| result_data.append( |
| { |
| "joueur_a": joueur_a, |
| "joueur_b": joueur_b, |
| "nb_confrontations": int(stats["games"]), |
| "score_a": avg_a, |
| "score_b": avg_b, |
| "avantage_a": avg_a - avg_b, |
| } |
| ) |
|
|
| result = pd.DataFrame(result_data) |
| logger.info(f" {len(result)} paires H2H avec >= {min_games} confrontations") |
|
|
| return result |
|
|
