本文介绍如何在 pandas dataframe 中准确计算每对球员在当前比赛前的历史胜负记录，确保无论哪位选手作为 player1 出现，其 h2h 统计均基于真实对阵关系和时间顺序，避免因 target 标签误判导致的逻辑错误。
在构建网球比赛预测模型时，头对头（Head-to-Head, H2H）记录是一项关键特征：它反映两位选手过往直接交锋中的胜负分布，对预测当前比赛结果具有强解释性。但实现时极易出错——尤其是当同一对选手（如 A vs B）在不同行中以不同顺序（A 在 player1_id 或 player2_id）出现，且胜负标签 target 含义固定（1 表示 player1 获胜，0 表示 player1 失败）时，若未统一按「对阵对」而非「行列顺序」聚合数据，就会导致胜场数错误累加到错误选手名下。
✅ 正确思路：先归一化对阵对，再分组累积统计
核心在于两点：
- 标准化对阵组合：将 (A, B) 和 (B, A) 视为同一对选手，统一排序为 (min, max)，确保所有 A-B 交锋落入同一分组；
- 按时间序累积胜场：在每个分组内，按 tourney_date 升序处理，动态统计截至当前比赛前、每位选手的实际获胜次数。
以下为完整、健壮、可扩展的实现方案：
import pandas as pd
import numpy as np
def calculate_h2h_per_pair(group):
# 确保 group 按时间升序排列（关键！）
group = group.sort_values('tourney_date').reset_index(drop=True)
# 提取实际胜者：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：当前行之前（不含当前行）player1_id 和 player2_id 的胜场数
player1_h2h = np.zeros(len(group), dtype=int)
player2_h2h = np.zeros(len(group), dtype=int)
# 遍历每一场比赛（从第 0 场开始，当前场不计入自身）
for i in range(len(group)):
# 获取当前比赛的两位选手（保持原始列顺序）
p1 = group.iloc[i]['player1_id']
p2 = group.iloc[i]['player2_id']
# 统计此前所有比赛中，p1 和 p2 各自作为胜者的次数
prev_winners = winner[:i] # 仅看前面的 i 场
player1_h2h[i] = (prev_winners == p1).sum()
player2_h2h[i] = (prev_winners == p2).sum()
return group.assign(player1_h2h=player1_h2h, player2_h2h=player2_h2h)
# 步骤1：构造标准化对阵对（自动处理 A-B 和 B-A）
df_sorted_pairs = np.sort(df[['player1_id', 'player2_id']], axis=1)
grp = pd.MultiIndex.from_arrays([df_sorted_pairs[:, 0], df_sorted_pairs[:, 1]])
# 步骤2：按对阵对分组，应用累积统计逻辑
result = df.groupby(grp, group_keys=False).apply(calculate_h2h_per_pair).sort_index()✅ 优势说明：逻辑清晰：胜者识别与 target 语义严格对齐（target=1 → player1_id 胜），无需交换变量或条件翻转；时间安全：sort_values('tourney_date') + winner[:i] 确保只统计「历史」交锋，杜绝未来信息泄露；鲁棒性强：支持任意多对选手（如 A-B、C-D、E-F），且每对独立计算，互不干扰；可读性高：避免嵌套布尔索引与 shift().cumsum() 等易错技巧，便于调试与维护。
⚠️ 注意事项与常见陷阱
- 日期格式必须为 datetime：确保 tourney_date 是 pd.Timestamp 类型，否则 sort_values 可能按字符串字典序排序（如 "2012-10-01"
- 重复日期需谨慎：若同日存在多场比赛（如双打+单打混排），应补充唯一排序键（如 match_id），避免 sort_values 稳定性问题；
- 性能优化提示：对百万级数据，上述循环版可替换为向量化 cumsum（参考答案中 np.where + shift().cumsum() 方案），但需额外构建「标准化胜者序列」，复杂度略高；本文推荐版本优先保障正确性与可理解性。
✅ 验证示例输出（A vs B 对阵）
输入（已按日期排序）： | tourney_date | player1_id | player2_id | target | |--------------|------------|------------|--------| | 2012-01-16 | A | B | 0 | | 2012-01-27 | A | B | 0 | | 2012-03-14 | B | A | 1 | | 2015-01-20 | A | B | 0 |
输出： | tourney_date | player1_id | player2_id | target | player1_h2h | player2_h2h | |--------------|------------|------------|--------|-------------|-------------| | 2012-01-16 | A | B | 0 | 0 | 0 | | 2012-01-27 | A | B | 0 | 0 | 1 | | 2012-03-14 | B | A | 1 | 2 | 0 | | 2015-01-20 | A | B | 0 | 0 | 3 |
✅ 完全匹配预期：第三场（B胜）前，A 已负2场 → player1_h2h=2（因该行 player1_id=B，B 已赢2次）；第四场（A负）前，B 已胜3次 → player2_h2h=3（因该行 player2_id=B）。
掌握此方法，即可为任意双人竞技类时序数据（网球、围棋、电竞1v1等）稳定生成高质量 H2H 特征，夯实模型基础。
