Sur le site de triple prédiction de course de bateaux "Aujourd'hui, est-ce une bonne prédiction?", le taux de réussite et le taux de récupération des pronostics quotidiens de course sont divulgués sans se cacher. Cependant, je voulais résumer les résultats des prévisions quotidiennes en un une fois par mois, alors j'ai pensé à un traitement comme le titre.
Nous organisons les résultats des courses de bateaux et des prévisions d'apprentissage automatique et les sauvegardons quotidiennement dans un format tel que "result_2020mmdd.csv". Je souhaite rassembler ces fichiers une fois par mois et visualiser les résultats ...
Et je veux omettre les fichiers comme result_202006 .. ** _ test ** .csv qui sont mélangés ici et là comme le montre la figure ci-dessous car ils sont à tester.
C'est très simple.
import pandas as pd
import glob
csv_files = glob.glob("predict/result/result_202006??.csv")
filelist = []
for file in csv_files:
filelist.append(pd.read_csv(file))
df = pd.concat(filelist)
Lorsque j'obtiens le nom du chemin avec glob, j'utilise result_202006 ** ?? ** .csv. Un? Prendra en charge n'importe quel personnage.
csv_files a un bel ensemble de fichiers + chemins.
Ajoutez un par un avec l'instruction for, et faites-en enfin un DataFrame et terminez! est.
J'ai vérifié le résultat en utilisant le bloc de données que j'ai créé plus tôt. Le taux de réussite des trois unités était de 10% tel que conçu, mais le taux de récupération est légèrement supérieur à 80%. (Cependant, en regardant d'autres prévisions gratuites, il peut sembler que vous pouvez toujours vous battre à ce stade.)
Voici le résultat de l'organisation avec pivot_table après avoir résumé. ** Il est intéressant de noter que les hippodromes faciles à atteindre et les hippodromes qui ne frappent pas du tout sont clairs. ** ** N'achetons que les courses de bateaux faciles à réaliser ce mois-ci
Site | Hit | Miss | Payoff | Return_ratio |
---|---|---|---|---|
Marugame | 5 | 26 | 5480 | 176.77 |
Gamagun | 3 | 21 | 3990 | 166.25 |
Tokuyama | 9 | 33 | 6800 | 161.9 |
Lac Biwa | 9 | 31 | 5810 | 145.25 |
Lac Hamana | 8 | 43 | 6030 | 118.24 |
Toda | 4 | 46 | 5470 | 109.4 |
Edogawa | 3 | 24 | 2740 | 101.48 |
Naruto | 6 | 44 | 5060 | 101.2 |
Tokisuri | 4 | 38 | 4190 | 99.76 |
Kojima | 5 | 58 | 6230 | 98.89 |
Suminoe | 2 | 33 | 3340 | 95.43 |
Fukuoka | 2 | 14 | 1460 | 91.25 |
Ashiya | 6 | 46 | 4540 | 87.31 |
Omura | 8 | 51 | 4770 | 80.85 |
Karatsu | 3 | 30 | 2600 | 78.79 |
Amagasaki | 5 | 52 | 4270 | 74.91 |
Miyajima | 5 | 36 | 2400 | 58.54 |
Île de la Paix | 3 | 40 | 2510 | 58.37 |
Rivière Tama | 3 | 32 | 1850 | 52.86 |
Shimonoseki | 3 | 54 | 2760 | 48.42 |
Trois pays | 5 | 58 | 3030 | 48.1 |
Wakamatsu | 4 | 56 | 1780 | 29.67 |
Kiryu | 1 | 47 | 1190 | 24.79 |
Tsu | 3 | 67 | 1290 | 18.43 |
Recommended Posts