分析谁是2020欧洲杯的最佳球员

tensorflow识别水果 问题 有一组水果的训练集,我们对模型进行训练,思路跟之前我们识别猫与狗一样。 设计解决这个问题的思路 1、下载与放置训练图片 2、现在对应的依赖,tensorflow、numpy等等 3、构建训练集合 4、建模 5、对模型进行训练 6、用测试模型进行验证 7、输出结果 8、优化模型 to step4 [1]图片地址 https://www.kaggle.com/moltean/fruits现在数据,现在速度比较慢,可以使用网盘。 网. 阅读详情

问题

欧洲杯刚刚结束,就像看看有没有欧洲杯的数,分析下谁是本次欧洲杯表现最好的球员。于是我就上网找了一组数据。

网盘地址(提取码:hc9s)

【1】文件结构

【2】数据空处理

import numpy as np 
import pandas as pd 
import warnings
warnings.filterwarnings("ignore")
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("./data/euro2020.csv")
print(df.head(10))


summary = pd.DataFrame(df.dtypes, columns=["datatype"])
summary["isnull"] = df.isnull().sum() 
summary["unique"] = df.nunique()
summary["first"] = df.loc[0]
summary["second"] = df.loc[1]
summary["third"] = df.loc[2]
print(summary)

print(len(df))
train_df = df.drop("Blocks", axis = 1)

train_df = train_df.fillna(axis = 0, value = 0)

print(train_df.columns)

输出数据列

Index(['Player', 'Country', 'Position', 'Match played', 'Goals',
       'Right foot goals', 'Left foot goals', 'Header goals', 'Assists',
       'Total attempts', 'On target', 'Off target', 'Woodwork', 'Shot blocks',
       'Avg gpg', 'Fouls suffered', 'Fouls committed', 'Top speed',
       'Passing accuracy', 'Distance covered', 'Clearence attempted',
       'Balls recovered', 'Tackels', 'Yellow cards', 'Red cards',
       'Minutes played'],
      dtype='object')

字段分析下

# Player :球员
# Country :国家
# Position :所处位置
# Match played :出场场次
# Goals :进球数
# Right foot goals :右脚进球数
# Left foot goals :左脚进球数
# Header goals :头球进球数
# Assists :助攻数
# Total attempts :总射门数
# On target :球门内
# Off target :球门外
# Woodwork :球门框上
# Shot blocks :拦截
# Avg gpg :场均得分
# Fouls suffered :被犯规数
# Fouls committed :犯规数
# Top speed :最高速度
# Passing accuracy :传球准确度
# Distance covered :奔跑距离
# Balls recovered :抢断
# Tackles :铲球
# Yellow cards :黄牌数
# Red cards :红牌数
# Minutes played :上场时长

【3】整体数据集分布

fig, ax = plt.subplots(13,2, figsize=(100,300))
for idx, col in enumerate(train_df.columns.to_list()):
    row_idx = idx//2
    col_idx = idx%2
    sns.countplot(data=train_df, x = col,  color = "red", ax = ax[row_idx, col_idx])
plt.show()

【4】处理自己需要的数据

top_players = train_df.sort_values(["Goals"], ascending=False).iloc[:10]
train_df["gpa"] = train_df["Goals"]/train_df["Total attempts"]
attempts = train_df.sort_values(["gpa"], ascending=False).iloc[:10]
agp = train_df.sort_values(["Avg gpg"], ascending=False).iloc[:10]
passing_accuracy = train_df.sort_values(["Passing accuracy"], ascending=False).iloc[:10]
header = train_df.sort_values(["Header goals"], ascending=False).iloc[:10]

 【5】总进球数

# 进球数排名top10
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = top_players, y = "Goals", palette = "Greys", hue = "Position")
plt.title("Top players on the basis of max goals")
plt.show()

# 场均进球排名top10
fig, ax = plt.subplots(2, 1,figsize=(20,10))
sns.barplot(x = "Player", data = agp, y = "Avg gpg", palette = "Greys", ax = ax[0])
sns.barplot(x = "Country", data = agp, y = "Avg gpg", palette = "Greens", ax = ax[1])
plt.show()

这个就奇怪了,直观的感受好像,意大利对获得了冠军,为啥场均进球数这么少。。意大利的比赛是多难看。。

然后其他数据就当做参考吧。

【6】其他

# 传球
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = passing_accuracy, y = "Passing accuracy", palette = "Blues")
plt.title("Top players on the basis of passing accuracy")
plt.show()

# 头球
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = header, y = "Header goals", palette = "Reds", hue = "Goals")
plt.title("Top players on the basis header goals")
plt.show()

# 速度
speedy = train_df.sort_values(["Top speed"], ascending=False).iloc[:10]
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = speedy, y = "Top speed", palette = "Greens")
plt.title("Top playerson the basis of their speed")
plt.show()

# 黄牌数
yelloww = train_df.sort_values(["Yellow cards"], ascending=False).iloc[:10]
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = yelloww, y = "Yellow cards", palette = "Greens")
plt.title("Yellow card receivers")
plt.show()

# 抢断
blockers = train_df.sort_values(["Shot blocks"], ascending=False).iloc[:10]
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = blockers, y = "Shot blocks", palette = "Blues")
plt.title("Shot Blockers")
plt.show()

# 出场场次
blockers = train_df.sort_values(["Match played"], ascending=False).iloc[:10]
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = blockers, y = "Match played", palette = "Oranges")
plt.title("Matches Played")
plt.show()

# 助攻
Assisters = train_df.sort_values(["Assists"], ascending=False).iloc[:10]
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = Assisters, y = "Assists", palette = "Greens")
plt.title("Matches Played")
plt.show()

# 传球不好的
Worst_passers = train_df.sort_values(["Passing accuracy"], ascending=True).iloc[:10]
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = Worst_passers, y = "Passing accuracy", palette = "Greens")
plt.title("Not good Passers")
plt.show()

# 被犯规数
Foulers = train_df.sort_values(["Fouls suffered"], ascending=False).iloc[:10]
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = Foulers, y = "Fouls suffered", palette = "Greens")
plt.title("Foul sufferers")
plt.show()

# 犯规数
Foulers = train_df.sort_values(["Fouls committed"], ascending=False).iloc[:10]
plt.figure(figsize=(20,5))
sns.barplot(x = "Player", data = Foulers, y = "Fouls committed", palette = "Greens")
plt.title("Foul makers")
plt.show()

【7】总结

最后去看了下,最后欧洲杯的最佳球员是谁,有点意料之外的,尽然是意大利的守门员。。如果是这样。守门员的数据需要单独拿出来比较。这样也说明了,意大利对真的是看守门员的。。哈哈

3天干完6个月的活,Claude把模型搬上AMD 一条挺刺激的消息:Anthropic 给投资人的材料里有一张幻灯片,写着它的 Claude Mythos Preview 只花了大约​,就摸清了怎么让另一个 Claude 模型在 AMD 的 MI355X 上跑起来。同一处还写了个对照数字:过去给一块新芯片做推理适配,通常要几十名工程师、​。3 天对 6 个月,这个比值太扎眼,当天中文互联网上就冒出一堆「英伟达的护城河塌了」的说法。我把能翻到的材料都翻了一遍,越看越觉得,塌掉的那一小块是真的,可塌的位置和很多人想的不一样。 阅读详情

相关推荐

RK3588嵌入式AI部署实战:从环境搭建到模型推理全链路

嵌入式AI部署涉及交叉编译、NPU驱动、模型量化与运行时环境等多个技术环节,其核心挑战在于软硬件版本矩阵的严格匹配。在边缘计算场景中,RK3588凭借6TOPS NPU算力成为热门平台,但环境搭建与模型转换的复杂性常导致部署效率低下。通过容器化工具链管理、量化参数对齐及多线程推理优化,可显著提升部署稳定性与推理性能。典型应用包括智能安防、工业质检与视频结构化分析。本文围绕RK3588的AI部署与环境搭建,系统梳理从系统烧录到板端推理的完整实践路径。

weixin_42520573的博客 284

4家赞助商来自中国,中国企业“霸屏”欧洲杯!看看各大品牌借势营销哪家强?

2021 年 6 月,因为疫情而延期一年的 2020 欧洲杯终于迎来开赛,本次欧洲杯是新冠疫情以来的第一场大型体育赛事。小编通过西瓜微数观察发现这次比赛多次登上微博热搜,热搜话题从#欧洲版开幕式#到#欧洲杯首次以乌龙球开局#等,可谓是吸引了全球的目光,成为大家关注的焦点。 数据来源:西瓜微数 除了球员们在赛场上的精彩表现外,场地里随处可见的中文广告和熟悉的中国品牌标识也吸引了观众的注意。今年的欧洲杯官方合作伙伴,中国企业继续强势补位跟进,占据 12 席官方合作伙伴中的 4 席:支付宝、TikTok、

m0_59543135的博客 2985

CASS3D实战:高效三维房屋与地形采集绘制技巧

本文详细介绍了CASS3D在三维房屋与地形采集绘制中的高效技巧,包括智能绘房功能、不规则结构处理、特殊构件快速绘制及地形数据采集策略。通过实战案例和进阶操作指南,帮助用户快速掌握CASS3D的核心功能,提升三维采集与绘制效率。

weixin_29216049的博客 872

2026世界杯西班牙队全员实力深度分析——传控新世代,中场冠绝天下

维度评价年龄结构平均26.8岁,非常理想,既有经验又有活力中场实力世界顶级——罗德里+佩德里+法比安+苏维门迪,厚度和质量均为本届最强边路爆点亚马尔和尼科·威廉姆斯具备单兵破局能力防线隐患除拉波尔特外,中后卫普遍年轻且缺乏大赛经验中锋短板奥亚萨瓦尔并非顶级射手,唯一正宗中锋伊格莱西亚斯国家队进球为零伤病风险亚马尔、尼科、佩德里、罗德里均有不同程度的伤病隐患。

Hacker_feng的博客 1283

【HCIA学习记录】WLAN配置实验

HCIA-WLAN

寸先生的AI道路 3878

保姆级教程:在RK3568上调试RGMII网口,从设备树到PHY驱动的完整避坑指南

本文提供RK3568开发板上RGMII网口调试的完整指南,涵盖硬件检查、设备树配置、驱动加载及性能优化。通过详细步骤和实战案例,帮助开发者避开常见陷阱,确保以太网功能稳定运行,特别关注PHY驱动和MDIO总线的调试技巧。

weixin_26821003的博客 323

AI预测2026世界杯—6月19日A组第2轮:捷克 vs 南非

2026世界杯A组生死战:捷克vs南非 2026年6月19日,世界杯A组次轮将上演关键对决,首轮均告负的捷克与南非在墨西哥某球场展开生死战。捷克首战1-2负韩国,暴露进攻单一但希克破门展现火力;南非不敌东道主墨西哥,但身体对抗值得关注。当前积分榜上墨西哥、韩国同积3分领跑,两队此役若再败将濒临出局。这场"输家提前回家"的较量,胜负或将决定小组出线命运。(149字)

637

Stata: 空间面板数据模型及Stata实现

  作者:游万海 (福州大学) Stata 连享会: 知乎 | 简书 | 码云 | 优快云   来源:Golgher 和 Voss (2016)   1. 背景介绍 由于面板数据模型所具有的众多优点 (刻画个体异质性,减弱模型共线性和增加自由度等),其被广泛应用于实证计量中。在 「 Stata: 面板数据模型-一文读懂」 文中,我们已对面板数据模型进行了介绍。 然而,当研究样本涉及到多个...

Stata连享会 7万+

伊布退役:传奇中锋的职业生涯与技术解析

足球运动中的中锋位置经历了从传统支点到现代全能的演变。技术型中锋通过出色的控球、射门和战术意识改变比赛走势,其核心价值在于既能作为进攻终结点,又能参与组织串联。伊布拉希莫维奇以1米95身高兼具细腻技术的特质,重新定义了中锋标准,他的蝎子摆尾、倒钩射门等标志性动作展现了超凡的身体控制力。这类球员在战术体系中能有效破解密集防守,在关键比赛常有决定性表现。随着伊布退役,足坛正在寻找能继承其技术特点的新一代全能中锋。

weixin_30475039的博客 406

18、Excel VBA编程:自定义函数创建与代码调试全攻略

本文详细介绍了Excel VBA中自定义函数的创建方法,以获取单元格注释为例演示了完整开发流程,并深入讲解了代码调试的重要性与核心工具。内容涵盖三种主要错误类型及其应对策略,系统介绍了调试工具栏、断点、逐行执行、Locals窗口、Immediate窗口等实用功能。通过综合案例展示了如何运用调试技术解决实际问题,并总结了提前规划、逐步测试、日志记录等最佳实践,帮助读者提升VBA编程效率与代码质量。

life6的博客 101

五步通关!宝塔Linux部署ASP.NET Core的魔法秘籍大公开!

摘要: 本文提供ASP.NET Core应用五步部署攻略,涵盖从环境配置到线上运行的完整流程: 1️⃣ 环境准备:安装宝塔面板、ASP.NET Core运行时及开放端口; 2️⃣ 应用发布:通过dotnet publish生成独立部署包并上传服务器; 3️⃣ Nginx配置:设置反向代理将域名请求转发至应用端口; 4️⃣ 进程守护:使用Supervisor确保应用持续运行; 5️⃣ HTTPS加密:通过宝塔快速申请SSL证书并解决验证路径冲突。 关键点: 强调权限设置(755)、端口开放及反向代理细节; 提

java专栏 971

2025FIFA世俱杯开幕,海信100吋电视世界第一广告“刷屏”

6月15日,当“海信100吋,世界第一”的标语出现在2025FIFA世俱杯赛场时,海信再一次成为了赛场上的焦点。甚至有网友戏称:世俱杯第一个冠军,原来是海信。历经9年,这个中国品牌终于完成了从"中国第一"到"世界第一"的转变,海信的围挡广告不仅记录着一个品牌的成长,更折射出中国制造业从“规模优势”到“技术引领”的质变。从中国第一到世界第一,海信掀起100吋风暴九年时间,海信电视用四条标语,串联起一段市场突破和产业突围的故事。2016年欧洲杯,"海信电视,中国第一"的广告首次亮相国际顶级赛事。在那个全球高端市

2409_88539749的博客 351

Python实现稳态传热传质的偏微分方程求解

通过这种方法,我们可以求解更复杂的传热传质问题,并对系统的温度和浓度分布进行分析和优化。稳态传热传质是一个重要的工程问题,涉及到物质在空间中的分布以及热量和质量的传递。每次迭代中,我们使用上一次迭代的温度值来计算下一次迭代的温度值。该图显示了平板内部各点的温度分布,其中中心温度为T1,边界温度为T2。接下来,我们创建一个N x N的温度矩阵,并将边界条件初始化为边界温度T2。假设我们有一个矩形平板,其中心温度为T1,四个边界温度为T2。假设平板的长度为L,宽度为W,中心温度为T1,边界温度为T2。

HackDashX的博客 308

基于keras与tensorflow手工实现ResNet50网络

在文章 基于tensorflow的ResNet50V2网络识别动物,我们使用了keras已经提供的神经网络,完成了图像分类的。这个时候,小明同学就问了,那么我怎么自己去写一个神经网络来进行训练呢? 本文就基于tensorflow,自己定一个神经网络。 从结构上看,与我们之前的的区别在于,输入的格式变成(3,224,224) ResNet50有两个基本的块,分别名为Conv Block和Identity Block 模型训练(resnet50_model_train.py) 将 基于tensorflow的Re

2600

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

基于tensorflow的ResNet50V2网络识别动物

之前很多人在,如何进行XXX的识别,对应的神经网络如何搭建。对应神经网络怎么搭建,我也是照本宣科,只能说看得懂而已,没有对这块进行深入的研究,但是现在tensorflow,paddle这些工具,都提供了非常成熟的神经网络进行直接使用。本文对过往的一些文章进行改造,使用已经集成的神经网络,简单的实现多个种类的动物识别。

2487

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

tensorflow识别猫与狗

问题 现在有很多的图片,里面分别有猫与狗,识别这些图片,区分猫与狗 设计解决这个问题的思路 1、下载与放置训练图片 2、现在对应的依赖,tensorflow、numpy等等 3、解析文件名,识别dog还是cat 4、建模 5、对模型进行训练 6、用测试模型进行验证 7、输出结果 8、优化模型 to step4 [1]图片地址 https://www.kaggle.com/c/dogs-vs-cats/data现在数据,现在速度比较慢,可以使用网盘。 网盘地址(提取码:l.

2335

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

FastRCNN实现识别口罩

问题 由于新冠疫情的缘故,各地的公共场所都要求佩戴口罩,希望能够通过视频或者图片,识别出有没有佩戴口罩。 解决问题思路FastRCNN a. 在图像中确定N个候选框 b. 对于每个候选框内图像块,使用深度网络提取特征 c. 对候选框中提取出的特征,使用分类器判别是否属于一个特定类 d. 对于属于某一特征的候选框,用回归器进一步调整其位置 [1]图片地址 训练集地址https://www.kaggle.com/andrewmvd/face-mask-detection 网盘...

1900

macOS下tensorflow安装

环境 操作系统:macOS Big Sur Python版本:3.9 Tensorflow安装 # 我是macOS 不支持GPU # 更新pip $ pip install —upgrade pip # pip安装tensorflow $ pip install tensorflow 注意!!下面这个不要安装,安装了会出错的 $ pip install tf-nightly 如果报错了,卸载重新安装 pip uninstall tf-nightly pip uni

536

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

weixin_53637133的博客 188

GLM-5.3-CYBERSECURITY-FP8本地量化[3]:工程环境

GLM-5.3-CYBERSECURITY-FP8本地量化[3]:工程环境

缘友一世的博客 264

【第 009 讲】全面掌握 Python 注释:注释的定义与作用 | 单行注释 | 三引号与多行注释 | 注释使用的最佳实践

本文系统讲解 Python 注释的完整知识体系:从注释的定义与作用讲起,梳理单行注释的书写位置、临时屏蔽用法与 PEP 8 排版规范,剖析注释被忽略的底层机制;进而说明三引号字符串的本质与嵌套问题;最后给出注释使用的三条实践原则,帮助读者写好可读性高的注释。

大模型全栈工程师 · Thanks_ks 1239

我开源了一个屏幕录 GIF 工具:框选任意区域直接出图,只有 2 个依赖(Python)

仓库直达:[github.com/yund229/RectGif](https://github.com/yund229/RectGif) · exe 在 [Releases](https://github.com/yund229/RectGif/releases)

w_2345678的博客 465

Python 的 yield from 到底转发了什么:拆开 send、throw 和那个 return 值

很多人把yield from记成「省一层 for 循环的语法糖」。写和写,结果看着一样,于是就当它只是少敲几个字。这个理解会在三个地方翻车:调用方.send()的值送不进去、子生成器return的值拿不到、异常和close()传不下去。yield from真正做的事是,外层生成器退成一个透明通道。本文所有输出来自本机 CPython 3.13.14 实测。yield from不是循环,是委托——nextsendthrowclose四个方向的流量全部直通子生成器,并且子生成器return。

小小张说故事的博客 164

双路径优化+双容差校准

默认使用向量化路径处理常规数据,当检测到内存非连续或需要极致短路性能时,自动切换至 Numba JIT 路径。“当 CI 宽度中位数为 $W$ 时,实际判定容差为 $10^{-12} + 10^{-9} \times W$"针对表征谱算子 2 的实际输出量纲(例如 $10^{-3}$ 至 $10^3$),调整。准确标记了哪些数组被复制。非短路、静默拷贝风险、量纲耦合容差),本方案重构了核心逻辑。,并完善审计元数据以记录内存拷贝状态。, 确保在不同量纲下判定标准的一致性。,否则需排查上游数据生成逻辑。

2301_77211362的博客 209

yolo 和 deft 算法的区别

你应该是打错了:是,不是 defrat;

曾大强博客 293
上一篇: FastRCNN实现识别口罩
下一篇: 智能之门——用程序分析概率问题
sinom21
博客等级 码龄19年 22粉丝 33原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

sinom21

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值