File size: 3,287 Bytes
ffe1030 |
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 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 |
import pandas as pd
import streamlit as st
@st.cache_data
def calculate_player_scoring(df):
"""
Calcule tous les niveaux de scoring des joueuses de rugby
Args:
df: DataFrame avec les données brutes
Returns:
dict: Contient tous les niveaux d'agrégation
- 'by_action': Scores détaillés par (match, joueuse, action)
- 'by_player_match': Scores par (match, joueuse)
- 'by_match': Scores moyens par match
- 'global_average': Moyenne générale
"""
# Configuration
actions_interessees = [
"DUEL",
"PASSE",
"PLAQUAGE",
"RUCK",
"JAP",
"RECEPTION JAP"
]
facteur_pond = 100/3
# 1. Calcul du score pondéré par (match, joueuse, action)
df_grouped = df.groupby(
["Match", "Prenom", "Nom", "Action"]
).apply(
lambda g: pd.Series({
"score_pondere": (g["Niveau"] * g["Nb_actions"]).sum() / g["Nb_actions"].sum(),
"nb_total_actions": g["Nb_actions"].sum()
})
).reset_index()
# Filtrage sur les actions intéressées
score_actions = df_grouped[df_grouped["Action"].str.upper().isin(actions_interessees)]
# 2. Calcul de la note moyenne par (match, joueuse)
score_actions["note_match_joueuse"] = score_actions.groupby(
["Match", "Prenom", "Nom"]
)["score_pondere"].transform("mean") * facteur_pond
score_match_joueuse = score_actions.drop_duplicates(
subset=["Match", "Prenom", "Nom"]
)[["Match", "Prenom", "Nom", "note_match_joueuse"]]
# 3. Calcul de la note moyenne par match
score_match = score_match_joueuse.groupby(["Match"]).apply(
lambda g: pd.Series({
"note_match_joueuse": g["note_match_joueuse"].mean()
})
).reset_index()
# 4. Métrique globale
global_average = round(score_match["note_match_joueuse"].mean(), 2)
return {
'by_action': score_actions,
'by_player_match': score_match_joueuse,
'by_match': score_match,
'global_average': global_average
}
@st.cache_data
def get_global_score(df):
"""
Retourne uniquement la métrique globale (pour usage immédiat)
"""
scoring_data = calculate_player_scoring(df)
return scoring_data['global_average']
@st.cache_data
def get_top_players(df, n_players=10):
"""
Retourne le top N des joueuses par note moyenne
"""
scoring_data = calculate_player_scoring(df)
top_players = scoring_data['by_player_match'].groupby(['Prenom', 'Nom']).agg({
'note_match_joueuse': 'mean'
}).reset_index().sort_values('note_match_joueuse', ascending=False).head(n_players)
return top_players
@st.cache_data
def get_match_scores(df):
"""
Retourne les scores par match (pour charts futurs)
"""
scoring_data = calculate_player_scoring(df)
return scoring_data['by_match']
@st.cache_data
def get_player_match_scores(df):
"""
Retourne les scores par joueuse-match (pour charts futurs)
"""
scoring_data = calculate_player_scoring(df)
return scoring_data['by_player_match'] |