本文介绍如何基于比赛时间顺序，为每场网球对战动态计算双方球员的历史胜负次数，确保无论谁作为 player1 或 player2 出现，h2h 统计均准确反映其真实交锋胜场数。
在构建网球比赛预测模型时，历史交手记录（Head-to-Head, H2H） 是极具价值的特征：它捕捉了两名球员之间真实的对抗经验与胜负倾向。但实现时存在一个关键挑战——原始数据中同一对球员（如 A vs B）可能以不同顺序出现在 player1_id/player2_id 列中（例如某场是 A,B，下一场是 B,A），而目标变量 target 的定义始终以 player1_id 为基准（target=1 表示 player1 获胜）。若直接按行遍历或简单分组统计，极易混淆胜者归属，导致 h2h 值错位。
正确的解法核心在于：先将每对球员标准化为无序组合（如 (A,B) 统一表示 A 与 B 的对决），再按时间升序逐场累积各自胜场。以下是经过验证的高效、可扩展实现：
✅ 正确实现步骤
import pandas as pd
import numpy as np
def calculate_h2h_per_pair(group):
"""对同一对球员（标准化顺序）的子集，按时间顺序计算累计胜场"""
# 确保 group 按 tourney_date 升序排列（关键！）
group = group.sort_values('tourney_date').reset_index(drop=True)
# 提取实际获胜者：target==1 → player1_id 胜；target==0 → player2_id 胜
winner = np.where(group['target'] == 1, group['player1_id'], group['player2_id'])
# 初始化两列：player1_h2h 和 player2_h2h，初始为 0
player1_h2h = np.zeros(len(group), dtype=int)
player2_h2h = np.zeros(len(group), dtype=int)
# 遍历每场比赛（从第 2 场开始，第 1 场无历史记录）
for i in range(1, len(group)):
prev_matches = group.iloc[:i] # 当前场次之前的所有同对比赛
p1 = group.iloc[i]['player1_id']
p2 = group.iloc[i]['player2_id']
# 统计此前 p1 对 p2 的胜场（即 winner == p1）
p1_wins = (prev_matches.apply(
lambda r: r['player1_id'] if r['target']==1 else r['player2_id'], axis=1
) == p1).sum()
# 统计此前 p2 对 p1 的胜场（即 winner == p2）
p2_wins = (prev_matches.apply(
lambda r: r['player1_id'] if r['target']==1 else r['player2_id'], axis=1
) == p2).sum()
player1_h2h[i] = p1_wins
player2_h2h[i] = p2_wins
group['player1_h2h'] = player1_h2h
group['player2_h2h'] = player2_h2h
return group
# 标准化球员对：对每行 (p1, p2)，生成排序后的元组 (min, max)，确保 (A,B) 和 (B,A) 归为同一组
df['h2h_pair'] = df.apply(
lambda r: tuple(sorted([r['player1_id'], r['player2_id']])),
axis=1
)
# 按标准化对分组，并应用 h2h 计算逻辑
result = df.groupby('h2h_pair', group_keys=False).apply(calculate_h2h_per_pair).drop('h2h_pair', axis=1)⚠️ 注意：上述方法虽逻辑清晰、易于理解，但在大数据集上可能较慢（因显式循环）。生产环境推荐使用向量化优化版本（见下方进阶技巧）。
? 向量化高性能版本（推荐）
def get_h2h_vectorized(group):
group = group.sort_values('tourney_date').reset_index(drop=True)
# 构建“实际胜者”序列
winner = group['player1_id'].where(group['target'] == 1, group['player2_id'])
# 对当前 group 中两位球员命名（固定顺序）
p1_ref, p2_ref = sorted([group.iloc[0]['player1_id'], group.iloc[0]['player2_id']])
# 统计到每一行为止，p1_ref 和 p2_ref 各自获胜次数（不包含当前行）
p1_cumwins = (winner == p1_ref).shift(1).fillna(0).cumsum().astype(int)
p2_cumwins = (winner == p2_ref).shift(1).fillna(0).cumsum().astype(int)
# 根据当前行中 player1_id/player2_id 的实际角色，分配 h2h 值
player1_h2h = np.where(group['player1_id'] == p1_ref, p1_cumwins, p2_cumwins)
player2_h2h = np.where(group['player2_id'] == p1_ref, p1_cumwins, p2_cumwins)
return group.assign(player1_h2h=player1_h2h, player2_h2h=player2_h2h)
# 应用分组计算
df['h2h_pair'] = df.apply(lambda r: tuple(sorted([r['player1_id'], r['player2_id']])), axis=1)
result = df.groupby('h2h_pair', group_keys=False).apply(get_h2h_vectorized).drop('h2h_pair', axis=1)✅ 输出验证（与期望一致）
输入示例：
data = {
'tourney_date': ['2012-01-16', '2012-01-27', '2012-03-14', '2015-01-20', '2020-10-07', '2020-10-15', '2020-10-15'],
'player1_id': ['A', 'A', 'B', 'A', 'B', 'A', 'B'],
'player2_id': ['B', 'B', 'A', 'B', 'A', 'B', 'A'],
'target': [0, 0, 1, 0, 1, 1, 1]
}
df = pd.DataFrame(data)输出 result 中 player1_h2h / player2_h2h 列将严格匹配题目所给理想结果：
- 2012-01-16 A vs B, target=0 → player1_h2h=0, player2_h2h=0
- 2012-01-27 A vs B, target=0 → player1_h2h=0, player2_h2h=1（B 已赢 1 次）
- 2012-03-14 B vs A, target=1 → player1_h2h=2, player2_h2h=0（B 已赢前 2 场）
- ……依此类推。
? 关键要点总结
- 必须标准化球员对：使用 tuple(sorted([p1,p2])) 消除顺序差异，是正确分组的前提。
- 严格按时间排序：groupby 后必须在每个子组内调用 .sort_values('tourney_date')，否则累积统计失效。
- 胜者识别要解耦：target 仅定义 relative 胜负，需映射到具体球员 ID，而非依赖列位置。
- 避免行间状态污染：原问题代码错误地用 row.name 和全局索引比较，破坏了时间局部性；应始终基于 tourney_date 过滤历史。
- 向量化优于 apply + lambda：尤其对百万级数据，shift().cumsum() 比 apply 循环快 10–100 倍。
通过以上方法，你可稳健、高效、可复现地为任意双人竞技类时序数据（网球、围棋、电竞等）生成精准的 head-to-head 特征。
