World Cup Qualification CAF Group B stats & predictions

Fatti Curiosi e Storie Interessanti

Oltre alle statistiche tecniche, ci sono molte storie interessanti che circondano il Gruppo B. Ecco alcuni fatti curiosi che potrebbero catturare la tua attenzione:

• Record Impressionanti: Il giocatore con più assist nella storia del gruppo è...
• Leggende Locali: Il capitano storico di Team Q è diventato un'icona nazionale grazie alla sua leadership sul campo e fuori dal campo...
• Momenti Iconici: Ricordate il gol incredibile segnato da Team R durante l'ultima partita? È stato definito uno dei più belli nella storia del torneo...
• Curiosità Storiche: Il primo incontro tra due squadre del gruppo risale al ... ed è stato fondamentale per lo sviluppo del calcio nella regione...
• Impatto Culturale: Il calcio non è solo uno sport in queste nazioni; è parte integrante della cultura quotidiana e celebra eventi sociali ed economici...
• Evoluzione dei Costumi: Negli ultimi anni, i costumi delle squadre hanno subito trasformazioni significative riflettendo l’evoluzione culturale dei paesi rappresentati...
• Contributo alla Comunità: Molte squadre utilizzano il calcio come strumento per promuovere l’educazione e lo sviluppo giovanile nelle loro comunità...
• Simbolismo nei Colori: I colori delle maglie non sono scelti casualmente; spesso rappresentano simboli nazionali o regionali carichi di significato...
• Fenomeno dei Tifosi: I tifosi del Gruppo B sono notoriamente appassionati; i loro cori e supporto incitano le squadre ad eccellere...
• Rivalità Accese: Alcune rivalità storiche hanno radici profonde che risalgono a decenni fa, alimentando passioni intense durante gli incontri...
• Successo Giovanile: I programmi giovanili stanno producendo talenti sempre più promettenti che potrebbero dominare il panorama internazionale in futuro...
• Innovazione nel Gioco: Nuovi schemi tattici stanno emergendo dalle giovani generazioni di allenatori...max-korotayev/Python-Labs<|file_sep|>/lab8/lab8.py import pandas as pd import numpy as np import re import random import string from scipy.stats import rankdata def remove_html_tags(text): text = re.sub('<[^<]+?>', ' ', text) return text def remove_tags(text): text = re.sub('[.*?]', ' ', text) return text def remove_digits(text): text = re.sub('d+', '', text) return text def remove_punctuation(text): text = re.sub('[%s]' % re.escape(string.punctuation), '', text) return text def remove_spaces(text): text = re.sub('s+', ' ', text).strip() return text def preprocess_text(text): text = remove_html_tags(text) text = remove_tags(text) text = remove_digits(text) text = remove_punctuation(text) text = remove_spaces(text) return text def add_noise_to_text(text): new_text = '' for char in text: if random.random() > .05: new_text += char else: new_text += random.choice(string.ascii_lowercase) return new_text def count_words(sen1,sen2): dic_sen1 = {} dic_sen2 = {} for word in sen1: if word in dic_sen1: dic_sen1[word] += sen1.count(word) else: dic_sen1[word] = sen1.count(word) for word in sen2: if word in dic_sen2: dic_sen2[word] += sen2.count(word) else: dic_sen2[word] = sen2.count(word) dic_intersect = {key : dic_sen1[key] for key in dic_sen1 if key in dic_sen2} sum_numerator = sum([dic_intersect[key] for key in dic_intersect]) numerator_1 = sum([dic_intersect[key] * np.log((dic_intersect[key]/dic_sen1[key])/(dic_sen2[key]/sum(dic_sen1.values()))) for key in dic_intersect]) numerator_2 = sum([dic_intersect[key] * np.log((dic_intersect[key]/dic_sen1[key])/(dic_sen2[key]/sum(dic_sen1.values()))) for key in dic_intersect]) demominator_1 = sum([dic_intersect[key] * np.log((dic_intersect[key]/dic_sen1[key])) for key in dic_intersect]) demominator_2 = sum([dic_intersect[key] * np.log((dic_sen2[key]/sum(dic_sen1.values()))) for key in dic_intersect]) if numerator_1 == numerator_2 == demominator_1 == demominator_2 ==0: return .0 else: result = (numerator_1 + numerator_2) / (demominator_1 + demominator_2) return result def process_dataset(path_to_data): with open(path_to_data) as f: content = f.readlines() content = [x.strip() for x in content] dataframe_train_df = pd.DataFrame(columns=['text', 'class']) dataframe_test_df = pd.DataFrame(columns=['text', 'class']) for index,line in enumerate(content): if index %10 !=0: splited_line = line.split('t') splited_line[0] = preprocess_text(splited_line[0]) splited_line[0] += ' ' + add_noise_to_text(splited_line[0]) dataframe_train_df.loc[index //10,'text'] = splited_line[0].split(' ') dataframe_train_df.loc[index //10,'class'] = splited_line[1] else: splited_line = line.split('t') splited_line[0] = preprocess_text(splited_line[0]) dataframe_test_df.loc[index //10,'text'] = splited_line[0].split(' ') dataframe_test_df.loc[index //10,'class'] = splited_line[1] return dataframe_train_df,dataframe_test_df def create_dictionary(dataframe_train_df): class_0_list=[] class_1_list=[] for index,row in dataframe_train_df.iterrows(): if row['class']=='0': class_0_list+=row['text'] elif row['class']=='4': class_1_list+=row['text'] dictionary_class_0={} dictionary_class_1={} for word in class_0_list: if word not in dictionary_class_0.keys(): dictionary_class_0[word]=class_0_list.count(word) for word in class_1_list: if word not in dictionary_class_1.keys(): dictionary_class_1[word]=class_1_list.count(word) return dictionary_class_0,dictionary_class_1 def create_bow(dataframe_test_df,dictionary_class_0,dictionary_class_1): bow_dictionary={} for index,row in dataframe_test_df.iterrows(): bow_dictionary[index]={} bow_dictionary[index]['bow class zero']=count_words(row['text'],list(dictionary_class_0.keys())) bow_dictionary[index]['bow class one']=count_words(row['text'],list(dictionary_class_1.keys())) bow_dataframe=pd.DataFrame.from_dict(bow_dictionary).T bow_dataframe.index=dataframe_test_df.index bow_dataframe=bow_dataframe.sort_index() return bow_dataframe def calculate_rank(dataframe,bow_dataframe): rank_dictionary={} for index,row in dataframe.iterrows(): rank_dictionary[index]=rankdata([bow_dataframe.loc[index]['bow class zero'],bow_dataframe.loc[index]['bow class one']],method='average') rank_dataframe=pd.DataFrame.from_dict(rank_dictionary,index=[0]).T rank_dataframe.index=dataframe.index rank_dataframe=rank_dataframe.sort_index() return rank_dataframe path_to_data=r'C:UsersMaximPycharmProjectsuntitledlab8dataset.txt' dataframe_train_df,dataframe_test_df=process_dataset(path_to_data) dictionary_class_zero,dictionary_class_one=create_dictionary(dataframe_train_df) bow_dataframe=create_bow(dataframe_test_df,dictionary_class_zero,dictionary_class_one) rank_dataframe=calculate_rank(dataframe_test_df,bow_dataframe) accuracy=rank_dataframe.apply(lambda x:x==int(x.name%10)).mean(axis=0).mean() print(accuracy)<|repo_name|>max-korotayev/Python-Labs<|file_sep|>/lab6/lab6.py from sklearn.feature_extraction.text import CountVectorizer import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn.naive_bayes import MultinomialNB def process_dataset(path_to_data): with open(path_to_data) as f: content = f.readlines() content = [x.strip() for x in content] dataframe_train_df=pd.DataFrame(columns=['text','class']) for index,line in enumerate(content): splited_line=line.split('t') if index%10!=9 and index<90000: dataframe_train_df.loc[int(index/10),'text']=splited_line[0] dataframe_train_df.loc[int(index/10),'class']=splited_line[1] return dataframe_train_df def split_dataset(dataframe_train_df): X=dataframe