2024美赛数学建模C题思路&源码

这题挺有意思，没具体看比赛情况，打过比赛的人应该都知道险胜局（第二局、第五局逆转局）最影响心态的，导致第3、5局输了
模型结果证明这样的现象，会更可靠

赛题目的

赛题目的：分析球员的表现

问题一.

问题分析

• excel数据：每个时间段有16场比赛，同一组有5个时间段的5场比赛

为了建立球员在比赛特定时间表现力的模型，我们需要根据提供的数据选择一些关键因素来评估球员表现。我们可以选择如下几个因素：

• 得分情况(p1_score, p2_score)
• 得分胜者(point_victor)
• 制胜分(p1_winner, p2_winner)
• 非受迫性失误(p1_unf_err, p2_unf_err)
• 发球得分(p1_ace, p2_ace)
• 上网得分(p1_net_pt_won, p2_net_pt_won)、
• 破发点和破发成功(p1_break_pt, p2_break_pt, p1_break_pt_won, p2_break_pt_won)等。

问题解答

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 读取数据
df = pd.read_csv('Problem_C_Wimbledon_featured_matches.csv')


# # 筛选以 "2023-wimbledon-13" 开头的 match_id
# df_filtered = df[df['match_id'].str.startswith('2023-wimbledon-13')]
# # 获取唯一的 match_id 并转换为列表
# match_ids = df_filtered['match_id'].unique().tolist()



# for match_id in match_ids:
for match_id in ["2023-wimbledon-1301", "2023-wimbledon-1401", "2023-wimbledon-1501", "2023-wimbledon-1601", "2023-wimbledon-1701"]:
    # 选择特定的比赛
    df_match = df[df['match_id'] == match_id]
    # 计算每个球员的表现力
    df_match['p1_performance'] = df_match['p1_ace'] + df_match['p1_winner'] - df_match['p1_unf_err'] + df_match['p1_net_pt_won']
    df_match['p2_performance'] = df_match['p2_ace'] + df_match['p2_winner'] - df_match['p2_unf_err'] + df_match['p2_net_pt_won']
    # 累计表现力
    df_match['p1_performance_cum'] = df_match['p1_performance'].cumsum()
    df_match['p2_performance_cum'] = df_match['p2_performance'].cumsum()

    # 绘制球员表现力变化趋势图
    plt.figure(figsize=(12, 6))
    plt.plot(df_match['point_no'], df_match['p1_performance_cum'], label=df_match['player1'].iloc[0] + ' Performance')
    plt.plot(df_match['point_no'], df_match['p2_performance_cum'], label=df_match['player2'].iloc[0] + ' Performance')

    # 设置图表标题和标签
    plt.title('Performance Over Time')
    plt.xlabel('Point Number')
    plt.ylabel('Cumulative Performance')
    plt.legend()
    plt.grid(True)

    # 保存球员表现力变化趋势图
    plt.savefig('performance_over_time_{}.png'.format(match_id))

    # 绘制比赛得分情况图
    plt.figure(figsize=(12, 6))
    plt.plot(df_match['point_no'], df_match['p1_points_won'].cumsum(), label=df_match['player1'].iloc[0] + ' Points Won')
    plt.plot(df_match['point_no'], df_match['p2_points_won'].cumsum(), label=df_match['player2'].iloc[0] + ' Points Won')

    # 设置图表标题和标签
    plt.title('Points Won Over Time')
    plt.xlabel('Point Number')
    plt.ylabel('Cumulative Points Won')
    plt.legend()
    plt.grid(True)

    # 保存比赛得分情况图
    plt.savefig('points_won_over_time_{}.png'.format(match_id))
    plt.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56

• 1301
  
• 1401
  
• 1501
• 1601
  
• 1701
  

问题二.

问题分析

问题解答

问题三.

问题分析

问题解答

问题四.

问题分析

问题解答

问题五.

问题分析

问题解答

赛题翻译