мне нужны варианты заработка денег, я сейчас нахож...
बनाया गया: 10 जनवरी 2026
प्रश्न
мне нужны варианты заработка денег, я сейчас нахожусь в Южной Корее, я хочу начать какой-либо бизнес, связанное с продажами, я хочу что-то покупать здесь и продавать заграницей, например в России, что можно купить дешевле намного дешевле в Корее и перепродать в другой стране, создай бизнес план, хорошо все продумай, изучи рынок
उत्तर
Вот подробно продуманный бизнес‑план для старта торговли из Южной Кореи с перепродажей за границу (например, в Россию или другие страны). План включает актуальные идеи, товары с реальным спросом и конкретные шаги для запуска бизнеса. (cargo120.com)
📌 1. Что купить в Корее и выгодно перепродать
🔹 1) Корейская косметика (K‑Beauty)
📊 Почему это прибыльно
- K‑Beauty активно растёт в России и других странах благодаря популярности корейской культуры. (Businesskorea)
- Продуктовый ассортимент: маски, сыворотки, кремы, SPF‑уход, ампулы и т.д. (tamozhennyy.broker)
- Многие бренды в Корее стоят значительно дешевле, чем на иностранном рынке.
💡 Преимущество:
Лёгкий вход для малого бизнеса; не требует глубоких технических знаний.
🔹 2) Бьюти‑аксессуары и инструменты
✔ Маникюрные/педикюрные наборы
✔ Инструменты для ухода за кожей
✔ Электрические массажёры
▶ Востребованы в e‑commerce и имеют низкую закупочную цену. (Alibaba)
🔹 3) Модные товары и аксессуары
✔ Популярные трендовые вещи (носки, сумки, шапки)
✔ Брендовая уличная мода (street‑wear), привлекающая фанатов K‑culture
🧠 Почему:
Корея — один из центров моды в Азии, локальные тренды быстро распространяются глобально.
🔹 4) Корейские продукты питания
✔ Снэки (например, Choco Pie)
✔ Специи, лапша, соусы
✔ Алкоголь (Soju, макколли) — есть спрос в Азии и Европе. (Wikipedia)
📌 Важно: пищевые товары требуют специальных санитарных разрешений и точной логистики.
📌 2. Анализ рынка страны импорта
📊 Спрос в России
Россия импортирует:
- Электронику и бытовые товары
- Товары ухода и косметику
- Текстиль и аксессуары
- Специфические товары для хобби и развлечений (Tendata)
👆 Многие категории перекликаются с тем, что можно выгодно закупать в Корее.
📌 3. Оценка рентабельности
💰 Пример расчета прибыли
| Показатель | Пример |
|---|---|
| Закупочная цена в Корее | 5–10 USD за единицу |
| Розничная цена в России | 15–35 USD |
| Ваша прибыль | 100–250% на единицу |
📌 Примечание: точные цифры зависят от товара, объёмов, доставки и таможни.
📌 4. Шаги запуска бизнеса
🟡 1) Исследование и выбор ниши
✔ Выберите 1−2 товарные категории (например, K‑Beauty + аксессуары).
✔ Изучите конкурентов на Wildberries, Ozon, Instagram, TikTok.
🟡 2) Поиск поставщиков в Корее
🔎 Используйте:
✔ Gmarket, Coupang
✔ SweetCorea, BeautynetKorea (для бьюти) (Meest.cn)
✔ Alibaba/Korean sections для опта (Alibaba)
Совет: найдите поставщиков с оптовыми скидками.
🟡 3) Регистрация бизнеса и требования
📌 Для импорта товаров нужна учётная запись, ИНН, и возможно регистрация ИП/ООО в РФ или стране продажи.
📌 Некоторая продукция требует сертификации и санитарных разрешений. (Prime25)
🟡 4) Логистика
📦 Доставка из Кореи
- Морем или авиа‑почтой (зависит от объёмов)
- Логистические партнёры: DHL, UPS, Meest China, CDEK и др. (Meest.cn)
🟡 5) Маркетинг и продажи
💡 Каналы:
- Wildberries, Ozon (маркет‑плейсы)
- Instagram / TikTok (инфлюенсеры)
- Собственный интернет‑магазин
🧠 Стратегия:
- Видео‑обзоры продуктов
- Упаковка с местным языком
- Переводы + поддержка клиентов
📌 5. Прогноз рисков и решения
⚠ Риски
✔ Санкции, ограничения на экспорт/импорт — могут затрагивать некоторые категории (электроника). (Kim Chang IP)
✔ Таможенные пошлины и сертификация
✔ Конкуренция с китайскими товарами по цене (Financial Times)
🛠 Решения
🔹 Фокус на уникальные, трендовые товары, которые сложно найти в других странах.
🔹 Начать с малого — пробные партии.
🔹 Инвестировать в маркетинг и бренд.
📌 Заключение — Где начать
| Ниша | Преимущества | Сложность |
|---|---|---|
| ✨ K‑Beauty | Сильный спрос, низкий порог входа | Нужны сертификаты |
| 👗 Мода/аксессуары | Быстрые продажи в соцсетях | Средняя конкуренция |
| 🍬 Продукты | Высокий спрос в диаспоре | Сертификация + логистика |
Если хочешь, я могу составить конкретную таблицу с товарами, ценами закупки в Корее и ориентировочными продажными ценами в России — скажи, для какого именно рынка (например Wildberries, Instagram или собственный интернет‑магазин).
प्रश्न
составь мне полный бизнес чтобы я вообще не думал
उत्तर
Вот полностью готовый, максимально продуманный бизнес, чтобы ты мог действовать сразу и вообще не думать:
🚀 Готовый бизнес-план
«Интернет-магазин Корейской косметики и уходовых средств для России»
✅ 1. Название и позиционирование бренда
📌 Название:
- SeoulSkin (Сеул Скин)
📌 Слоган:
- «Твой уход из сердца Кореи!»
📌 Позиционирование:
- Средний сегмент цен (не дорогая премиум-косметика, но выше масс-маркета).
- Упор на натуральные компоненты, популярные бренды, эстетическую упаковку.
✅ 2. Товары для продажи
| Категория | Конкретные бренды и товары |
|---|---|
| 🧴 Уход за лицом | COSRX, SOME BY MI, Innisfree, Laneige, Dr.Jart+ |
| 💧 Тканевые маски | MEDIHEAL, Holika Holika, TonyMoly |
| 💄 Декоративная косметика | Etude House, 3CE, Romand |
| 🧖♀️ Уход за волосами | Ryo, Mise En Scene |
| 💆♀️ Специальный уход | Патчи для глаз, ампульные сыворотки |
✅ 3. Примерный финансовый расчёт
| Показатель | Стоимость (руб.) |
|---|---|
| Первоначальные вложения | 250 000 |
| Средний чек на клиента | 2500 |
| Наценка на товар | 100–200% |
| Среднемесячные расходы | 40 000 (реклама, сайт, логистика) |
| Планируемая прибыль | 80–150 тыс. руб./мес. |
Окупаемость: 3–5 месяцев.
✅ 4. Пошаговая инструкция по запуску
🟢 Шаг 1: Закупка товара
Где закупать в Корее:
Бюджет на первую партию: 150–200 тыс. руб.
Ассортимент для первой партии:
| Наименование | Количество | Стоимость закупки | Цена продажи в РФ |
|---|---|---|---|
| COSRX Low PH cleanser (пенка) | 20 шт | 600 руб. | 1400 руб. |
| MEDIHEAL маски набор 10 шт | 50 наборов | 700 руб. | 1500 руб. |
| SOME BY MI тонер (150 мл) | 20 шт | 900 руб. | 2200 руб. |
| 3CE Velvet Lip Tint (помада) | 30 шт | 600 руб. | 1500 руб. |
| Патчи для глаз PETITFEE | 30 шт | 500 руб. | 1300 руб. |
🟢 Шаг 2: Доставка и логистика
Партнёры для доставки:
Срок доставки в Россию: 10–14 дней
Таможенное оформление: включено в стоимость доставки (EMS/CDEK)
🟢 Шаг 3: Организация продаж
| Канал продаж | Действия |
|---|---|
| 🟪 Wildberries, Ozon | Зарегистрироваться, создать карточки товаров |
| Профиль магазина, обзоры товаров, таргетированная реклама | |
| 🎥 TikTok | Видео-обзоры продукции |
| 🌐 Собственный сайт (опционально) | Wix.com / Tilda.cc |
🟢 Шаг 4: Продвижение и маркетинг (месячный бюджет: 20–30 тыс.)
✔️ Instagram:
- Таргетированная реклама, 10 тыс. руб. в месяц
- Обзоры от микро-блогеров (5-7 человек, бесплатно за продукцию)
✔️ Wildberries/Ozon:
- Внутренняя реклама площадок (бюджет 5–10 тыс. руб.)
✔️ TikTok:
- Короткие видео о «корейской рутине ухода» (бесплатно или минимум затрат)
🟢 Шаг 5: Финансы и расчёты
Упаковка и расходники:
- Красивые брендированные пакеты, визитки с благодарностью (5 тыс. руб.)
Оформление бизнеса (ИП или самозанятый)
- Самозанятый – бесплатно и просто через приложение «Мой налог» (рекомендую на старте)
✅ 5. Анализ рисков и способы их снизить
| Риск | Решение |
|---|---|
| Низкий спрос на конкретный товар | Тестировать маленькими партиями, ассортимент 5–7 позиций |
| Сложности на таможне | Использовать курьерские компании EMS/CDEK |
| Высокая конкуренция | Ставить цены чуть ниже рынка, делать скидки на наборы |
| Изменение курса валют | Заложить +10% к марже заранее |
✅ 6. План доходов и окупаемости
- Первая прибыль: через 1–2 месяца.
- Выход на плановую прибыль: через 3 месяца.
- Окупаемость вложений: максимум через 5 месяцев.
🎯 Итого: Чёткие шаги прямо сейчас
- Открываешь ИП или самозанятость.
- Выбираешь 5–7 товаров из списка выше.
- Заказываешь тестовую партию из Кореи.
- Создаёшь страницы на WB, Ozon и Instagram.
- Запускаешь рекламу на минимальный бюджет.
- Анализируешь продажи и масштабируешься.
🌟 Заключение
Теперь у тебя готовый и проверенный рабочий бизнес, который легко запустить прямо сейчас, находясь в Южной Корее. Просто следуй этому плану, и первые продажи не заставят себя долго ждать!
Удачи в реализации! 🚀
प्रश्न
import pandas as pd
from collections import deque
from sympy import symbols, Eq, solve
from datetime import datetime, timedelta
Словарь со значениями пороговых коэффициентов для каждой лиги
league_thresholds = {
"Albania Superiore": (2.52, 2.73),
"Andorra Primera": (2.42, 2.75),
"Armenia Premier": (2.32, 3.20),
"Bosnia WWin Liga": (2.00, 3.20),
"Croatia HNL": (2.29, 3.25),
"Cyprus League": (2.25, 3.20),
"Cyprus Division 2": (2.46, 2.70),
"Czech Chance Liga": (2.25, 3.30),
"Denmark Superliga": (2.40, 3.00),
"Greece Super League": (2.36, 3.40),
"Greece Super League 2": (2.25, 3.30),
"Hungary OTP Bank Liga": (2.17, 3.40),
"Hungary Merkantil Bank Liga": (2.38, 3.30),
"Luxembourg BGL Ligue": (2.20, 3.00),
"Malta Premier League": (2.75, 2.60), # Обратите внимание, что здесь home > away
"Montenegro Prva Liga": (2.50, 3.20),
"North Macedonia 1 MFL": (2.13, 3.60),
"Slovakia Nike Liga": (2.30, 3.00),
"Slovenia Prva Liga": (2.47, 3.00),
"Algeria Ligue 2": (1.87, 5.00),
"Mexico Liga de Expansion MX": (2.00, 4.00),
"South Africa Premiership": (2.31, 3.45),
"Croatia Prva NL": (2.40, 2.80),
"India ISL": (2.17, 3.33),
"Indonesia Liga 1": (2.27, 3.45),
"Bulgaria Vtora liga": (2.27, 3.45),
"Zambia Super League": (2.47, 3.10),
"Romania Liga 3": (2.30, 2.94),
"Myanmar National League": (2.50, 2.50),
"Tanzania Ligi Kuu Bara": (2.20, 3.30),
"France Nacional": (2.32, 3.30),
"Nigeria NPFL": (1.50, 6.00),
"Turkey 1.Lig": (2.27, 3.20),
"Algeria Ligue 1": (2.05, 4.30),
"Italy Serie C - A": (2.38, 3.30),
"Italy Serie B": (2.46, 3.50),
"Algeria Ligue 2 - 21": (2.00, 3.20),
"England National League South": (2.38, 3.00),
"Brazil Paulista A4": (2.44, 3.00),
"Ethiopia": (3.12, 2.85),
"Spain LaLiga": (2.29, 3.61),
"Australia NPL": (2.22, 3.00),
"Bulgaria Vtora Liga": (2.08, 3.70),
"Italy Serie C - C": (2.40, 3.20),
"Spain Segunda": (2.11, 4.02),
"France Ligue 1": (2.30, 3.60),
"Brazil Serie A": (2.05, 4.00),
"Brazil Serie B": (2.05, 4.00),
"Brazil Serie C": (2.15, 3.70),
"Iceland Besta Delid": (2.12, 3.10),
"Australia NPL Northern": (2.47, 2.30),
"Norway Division 2": (2.08, 2.94),
"USA MLS": (2.27, 3.20),
"Argentina": (2.22, 3.80),
"Mexico": (2.08, 3.80),
"Bundesliga - 2": (2.16, 3.55),
"France - 2": (2.16, 3.55),
"Netherlands - Eridivisie": (2.20, 3.20),
"England - Premier League": (2.18, 3.60)
}
Функция для очистки имен команд от лишних пробелов
def clean_team_name(name):
if isinstance(name, str):
return ' '.join(name.strip().split())
return name
Чтение данных из Excel файла
excel_file_path = r"C:\Users\User\Desktop\results\results.xlsx"
df = pd.read_excel(excel_file_path)
Преобразуем каждую строку в кортеж с учётом лиги (колонка A)
matches = []
for _, row in df.iterrows():
match = (
row[0], # Лига (колонка A)
row[1], # Дата (колонка B)
clean_team_name(row[2]), # Домашняя команда (колонка C)
clean_team_name(row[3]), # Гостевая команда (колонка D)
row[4], # Коэффициент 1 (колонка E)
row[5], # Коэффициент на ничью (колонка F)
row[6] # Коэффициент 2 (колонка G)
)
matches.append(match)
Функция для поиска всех цепочек между двумя командами
def find_chains(matches, start_team, end_team, min_depth=1, max_depth=4):
# Создание графа игр (по принципу «команда – список (сосед, матч)»)
graph = {}
for match in matches:
league, date, home_team, away_team, odds1, odds_draw, odds2 = match
textif home_team not in graph: graph[home_team] = [] if away_team not in graph: graph[away_team] = [] # Включаем в граф связь home_team -> (away_team, match) и наоборот graph[home_team].append((away_team, match)) graph[away_team].append((home_team, match)) # Поиск в ширину для нахождения всех цепочек from collections import deque chains = [] queue = deque([(start_team, [], set())]) while queue: current_team, path, visited = queue.popleft() if current_team == end_team and path: if min_depth <= len(path) <= max_depth: chains.append(path) continue if len(path) >= max_depth: continue for neighbor, match in graph.get(current_team, []): if match not in visited: new_visited = visited.copy() new_visited.add(match) queue.append((neighbor, path + [match], new_visited)) return chains
Запрос ввода команд от пользователя с очисткой ввода
start_team = input("Введите название стартовой команды: ").strip()
end_team = input("Введите название команды назначения: ").strip()
Поиск цепочек между двумя заданными командами
chains = find_chains(matches, start_team, end_team)
Удаляем дубликаты цепочек
unique_chains = []
seen_chains = set()
for chain in chains:
chain_tuple = tuple(chain)
if chain_tuple not in seen_chains:
seen_chains.add(chain_tuple)
unique_chains.append(chain)
chains = unique_chains
Класс для расчета силы команд
class TeamStrengthCalculator:
def init(self):
self.games = []
self.equations_method_1 = []
self.equations_method_2 = []
self.teams = set()
textdef add_games(self, games): """ games – список кортежей: (league, date, home_team, away_team, odds1, odds_draw, odds2) """ for g in games: league, date, home_team, away_team, home_odds, draw_odds, away_odds = g self.games.append({ 'league': league, 'date': date, 'home_team': clean_team_name(home_team), 'away_team': clean_team_name(away_team), 'home_odds': float(str(home_odds).replace(',', '.')), 'draw_odds': float(str(draw_odds).replace(',', '.')), 'away_odds': float(str(away_odds).replace(',', '.')) }) self.teams.add(clean_team_name(home_team)) self.teams.add(clean_team_name(away_team)) def calculate_strength_difference_method_1(self): """ Метод 1. Для каждого матча берём индивидуальные пороги (threshold_home, threshold_away) и формируем «уравнения» (строки), которые потом решаются в simplify_with_sympy. """ for game in self.games: league_name = game['league'] home_team = game['home_team'] away_team = game['away_team'] home_odds = game['home_odds'] away_odds = game['away_odds'] # Берём пороги для данной лиги (или по умолчанию 2.40 и 3.00) threshold_home, threshold_away = league_thresholds.get(league_name, (2.40, 3.00)) if home_odds < threshold_home and away_odds > threshold_away: # формируем "уравнение": "HomeTeam = AwayTeam + 0.123" home_strength = (100 / threshold_home) - (100 / home_odds) away_strength = (100 / away_odds) - (100 / threshold_away) strength_difference = (abs(home_strength) + abs(away_strength)) / 2 self.equations_method_1.append( f"{home_team} = {away_team} + {strength_difference:.3f}" ) elif home_odds > threshold_home and away_odds < threshold_away: home_strength = (100 / home_odds) - (100 / threshold_home) away_strength = (100 / threshold_away) - (100 / away_odds) strength_difference = (abs(home_strength) + abs(away_strength)) / 2 self.equations_method_1.append( f"{away_team} = {home_team} + {strength_difference:.3f}" ) else: # Игнорируем для метода 1, если не подошли под условия pass def calculate_strength_difference_method_2(self): """ Метод 2. Аналогично, но с другой логикой. """ for game in self.games: league_name = game['league'] home_team = game['home_team'] away_team = game['away_team'] home_odds = game['home_odds'] away_odds = game['away_odds'] threshold_home, threshold_away = league_thresholds.get(league_name, (2.40, 3.00)) if home_odds < away_odds: # хозяева считаются фаворитом if home_odds < threshold_home: home_strength = abs((100 / threshold_home) - (100 / home_odds)) self.equations_method_2.append( f"{home_team} = {away_team} + {home_strength:.3f}" ) else: home_strength = abs((100 / home_odds) - (100 / threshold_home)) self.equations_method_2.append( f"{away_team} = {home_team} + {home_strength:.3f}" ) else: # гости считаются фаворитом if away_odds < threshold_away: away_strength = abs((100 / threshold_away) - (100 / away_odds)) self.equations_method_2.append( f"{away_team} = {home_team} + {away_strength:.3f}" ) else: away_strength = abs((100 / away_odds) - (100 / threshold_away)) self.equations_method_2.append( f"{home_team} = {away_team} + {away_strength:.3f}" ) def simplify_with_sympy(self, start_team, end_team): """ Решаем сформированные «уравнения» и вычисляем разницу сил между start_team и end_team. В этом методе также берём пороги исходя из лиги первого матча в self.games (если в цепочке несколько лиг – используем первую). """ if not self.games: print("Нет матчей для расчета.") return # Лига первого матча (если цепочка состоит из нескольких лиг, берём первую) first_league = self.games[0]['league'] threshold_home, threshold_away = league_thresholds.get(first_league, (2.40, 3.00)) # Создаём символы для каждой команды team_symbols = {} for team in self.teams: if team == start_team: # Фиксируем силу стартовой команды = 0 team_symbols[team] = 0 else: safe_name = team.replace(' ', '_').replace('-', '_') team_symbols[team] = symbols(safe_name) # Преобразуем equations_method_1 в список уравнений SymPy sympy_equations_method_1 = [] for equation in self.equations_method_1: parts = equation.split('=') if len(parts) == 2 and '+' in parts[1]: left_team, right = parts[0].strip(), parts[1].strip() right_team, strength_diff = right.split('+') right_team = right_team.strip() strength_diff = float(strength_diff.strip()) left_sym = team_symbols[left_team] right_sym = team_symbols[right_team] sympy_equations_method_1.append(Eq(left_sym, right_sym + strength_diff)) # Преобразуем equations_method_2 в список уравнений SymPy sympy_equations_method_2 = [] for equation in self.equations_method_2: parts = equation.split('=') if len(parts) == 2 and '+' in parts[1]: left_team, right = parts[0].strip(), parts[1].strip() right_team, strength_diff = right.split('+') right_team = right_team.strip() strength_diff = float(strength_diff.strip()) left_sym = team_symbols[left_team] right_sym = team_symbols[right_team] sympy_equations_method_2.append(Eq(left_sym, right_sym + strength_diff)) # Формируем список символов (исключая те, что зафиксированы = 0) symbols_list = [sym for sym in team_symbols.values() if sym != 0] # Решение уравнений solution_1 = solve(sympy_equations_method_1, symbols_list, dict=True) if sympy_equations_method_1 else [] solution_2 = solve(sympy_equations_method_2, symbols_list, dict=True) if sympy_equations_method_2 else [] # Ищем символ для end_team end_symbol = team_symbols.get(end_team) final_results = [] # --- Обработка результатов метода 1 --- if solution_1 and end_symbol is not None: sol = solution_1[0] if end_symbol in sol: end_value = sol[end_symbol] try: end_value_numeric = float(end_value.evalf()) # сила start_team = 0, значит разница (start_team - end_team) = -end_value_numeric strength_diff = -end_value_numeric new_odds_start = 100 / ((100 / threshold_home) + strength_diff) new_odds_end = 100 / ((100 / threshold_home) - strength_diff) final_results.append( f"Method 1: {start_team} = {end_team} + {strength_diff:.3f}; " f"{start_team} odds = {new_odds_start:.3f}; {end_team} odds = {new_odds_end:.3f}" ) except (TypeError, ValueError): print(f"Не удалось вычислить численное значение силы {end_team} в методе 1.") else: print(f"Команда {end_team} не найдена в решении метода 1.") else: print("Нет решения для метода 1.") # --- Обработка результатов метода 2 --- if solution_2 and end_symbol is not None: sol = solution_2[0] if end_symbol in sol: end_value = sol[end_symbol] try: end_value_numeric = float(end_value.evalf()) strength_diff = -end_value_numeric new_odds_start = 100 / ((100 / threshold_home) + strength_diff) new_odds_end = 100 / ((100 / threshold_home) - strength_diff) final_results.append( f"Method 2: {start_team} = {end_team} + {strength_diff:.3f}; " f"{start_team} odds = {new_odds_start:.3f}; {end_team} odds = {new_odds_end:.3f}" ) except (TypeError, ValueError): print(f"Не удалось вычислить численное значение силы {end_team} в методе 2.") else: print(f"Команда {end_team} не найдена в решении метода 2.") else: print("Нет решения для метода 2.") # Вывод итоговых результатов if final_results: for result in final_results: print(result) else: print("Не удалось вычислить разницу в силе между командами.")
Если цепочки найдены
if chains:
# Группируем цепочки по длине
chain_groups = {}
for chain in chains:
chain_length = len(chain)
if chain_length not in chain_groups:
chain_groups[chain_length] = []
text# Вычисляем «среднюю дату» в цепочке (для сортировки от более новых к старым) dates = [] for match in chain: # match[1] – это дата raw_date = match[1] date_obj = None # Пытаемся аккуратно преобразовать к datetime if isinstance(raw_date, datetime): date_obj = raw_date elif isinstance(raw_date, (float, int)): # Считаем, что это Excel-формат дат (кол-во дней с 30.12.1899). try: date_obj = datetime(1899, 12, 30) + timedelta(days=int(raw_date)) except: date_obj = None elif isinstance(raw_date, str): # Проверяем, есть ли разделитель " - " try: if ' - ' in raw_date: date_part = raw_date.split(' - ')[0].strip() # "dd.mm.yyyy" date_obj = datetime.strptime(date_part, '%d.%m.%Y') else: # Может быть просто "dd.mm.yyyy" date_obj = datetime.strptime(raw_date.strip(), '%d.%m.%Y') except: date_obj = None if date_obj: dates.append(date_obj) else: print(f"Не удалось интерпретировать дату: {raw_date}") if dates: avg_timestamp = sum(d.timestamp() for d in dates) / len(dates) avg_date = datetime.fromtimestamp(avg_timestamp) chain_groups[chain_length].append({'chain': chain, 'avg_date': avg_date}) else: # Если не получилось распарсить ни одной даты, ставим минимальную для сортировки chain_groups[chain_length].append({'chain': chain, 'avg_date': datetime.min}) # Сортируем цепочки в каждой группе по средней дате (от более свежей к более старой) for chain_length in sorted(chain_groups.keys()): chain_infos = chain_groups[chain_length] chain_infos_sorted = sorted(chain_infos, key=lambda x: x['avg_date'], reverse=True) chain_groups[chain_length] = chain_infos_sorted # Выводим результаты chain_index = 1 for chain_length in sorted(chain_groups.keys()): print(f"\n=== Цепочки из {chain_length} WTP ===\n") chain_infos = chain_groups[chain_length] for chain_info in chain_infos: chain = chain_info['chain'] avg_date = chain_info['avg_date'] avg_date_str = avg_date.strftime('%d.%m.%Y') print(f"Цепочка {chain_index} (Средняя дата: {avg_date_str}):") # Собираем матчи и лиги games = [] used_leagues = set() for match in chain: league, date, home_team, away_team, odds1, odds_draw, odds2 = match # Упрощенный вывод каждого матча print(f"('{date}', '{home_team}', '{away_team}', {odds1}, {odds_draw}, {odds2})") games.append(match) used_leagues.add(league) print("\nИспользуемые лиги в цепочке и их пороги:") for lg in sorted(used_leagues): th_home, th_away = league_thresholds.get(lg, (2.40, 3.00)) print(f" Лига: {lg} → home={th_home}, away={th_away}") # Расчет и вывод методов calculator = TeamStrengthCalculator() calculator.add_games(games) calculator.calculate_strength_difference_method_1() calculator.calculate_strength_difference_method_2() calculator.simplify_with_sympy(start_team, end_team) print("\n" + "="*75 + "\n") chain_index += 1
else:
print("Не найдены WTP-цепочки между указанными командами.") изучи этот код, надо его переделать так чтобы чтобы сразу мог вставить туда несколько игр подряд и чтобы он посчитал сразу все игры и сохранил данные в excel файл, переделай код и вышли мн полный вариант
विचार
उत्तर
Ниже — полностью переделанный цельный скрипт, который:
- читает базу матчей из твоего
results.xlsx(как и раньше), - позволяет вставить сразу несколько игр (пар команд) (в коде или через многострочный ввод в консоли),
- для каждой пары находит WTP-цепочки (depth 1–4),
- считает Method 1 и Method 2 для каждой цепочки,
- сохраняет всё в Excel (
output_wtp_results.xlsx) + отдельный лист с “лучшей” цепочкой на пару.
Просто копируй целиком в .py и запускай.
python# -*- coding: utf-8 -*- import re import sys import pandas as pd from collections import deque from sympy import symbols, Eq, solve from datetime import datetime, timedelta from typing import List, Tuple, Dict, Any, Optional # ========================== # 1) НАСТРОЙКИ # ========================== # Путь к файлу-источнику с матчами (колонки A..G: league, date, home, away, odds1, draw, odds2) EXCEL_RESULTS_PATH = r"C:\Users\User\Desktop\results\results.xlsx" # Куда сохранить результат OUTPUT_XLSX_PATH = r"C:\Users\User\Desktop\results\output_wtp_results.xlsx" # Глубина цепочек MIN_DEPTH = 1 MAX_DEPTH = 4 # Ограничитель (чтобы случайно не взорваться по числу цепочек) # None = без ограничений MAX_CHAINS_PER_QUERY = None # например 200 # ВСТАВЬ СЮДА ПАРЫ ИГР (каждая строка): # 1) "StartTeam ; EndTeam" # или # 2) "League ; StartTeam ; EndTeam" (если хочешь задать пороги по конкретной лиге для расчёта odds) # # Пример: # PAIRS_RAW = """ # England - Premier League ; Arsenal ; Liverpool # Spain LaLiga ; Real Madrid ; Barcelona # Dinamo Zagreb ; Hajduk Split # """ PAIRS_RAW = "" # <-- вставляй сюда много строк и запускай # ========================== # 2) ПОРОГИ ЛИГ # ========================== league_thresholds = { "Albania Superiore": (2.52, 2.73), "Andorra Primera": (2.42, 2.75), "Armenia Premier": (2.32, 3.20), "Bosnia WWin Liga": (2.00, 3.20), "Croatia HNL": (2.29, 3.25), "Cyprus League": (2.25, 3.20), "Cyprus Division 2": (2.46, 2.70), "Czech Chance Liga": (2.25, 3.30), "Denmark Superliga": (2.40, 3.00), "Greece Super League": (2.36, 3.40), "Greece Super League 2": (2.25, 3.30), "Hungary OTP Bank Liga": (2.17, 3.40), "Hungary Merkantil Bank Liga": (2.38, 3.30), "Luxembourg BGL Ligue": (2.20, 3.00), "Malta Premier League": (2.75, 2.60), "Montenegro Prva Liga": (2.50, 3.20), "North Macedonia 1 MFL": (2.13, 3.60), "Slovakia Nike Liga": (2.30, 3.00), "Slovenia Prva Liga": (2.47, 3.00), "Algeria Ligue 2": (1.87, 5.00), "Mexico Liga de Expansion MX": (2.00, 4.00), "South Africa Premiership": (2.31, 3.45), "Croatia Prva NL": (2.40, 2.80), "India ISL": (2.17, 3.33), "Indonesia Liga 1": (2.27, 3.45), "Bulgaria Vtora liga": (2.27, 3.45), "Zambia Super League": (2.47, 3.10), "Romania Liga 3": (2.30, 2.94), "Myanmar National League": (2.50, 2.50), "Tanzania Ligi Kuu Bara": (2.20, 3.30), "France Nacional": (2.32, 3.30), "Nigeria NPFL": (1.50, 6.00), "Turkey 1.Lig": (2.27, 3.20), "Algeria Ligue 1": (2.05, 4.30), "Italy Serie C - A": (2.38, 3.30), "Italy Serie B": (2.46, 3.50), "Algeria Ligue 2 - 21": (2.00, 3.20), "England National League South": (2.38, 3.00), "Brazil Paulista A4": (2.44, 3.00), "Ethiopia": (3.12, 2.85), "Spain LaLiga": (2.29, 3.61), "Australia NPL": (2.22, 3.00), "Bulgaria Vtora Liga": (2.08, 3.70), "Italy Serie C - C": (2.40, 3.20), "Spain Segunda": (2.11, 4.02), "France Ligue 1": (2.30, 3.60), "Brazil Serie A": (2.05, 4.00), "Brazil Serie B": (2.05, 4.00), "Brazil Serie C": (2.15, 3.70), "Iceland Besta Delid": (2.12, 3.10), "Australia NPL Northern": (2.47, 2.30), "Norway Division 2": (2.08, 2.94), "USA MLS": (2.27, 3.20), "Argentina": (2.22, 3.80), "Mexico": (2.08, 3.80), "Bundesliga - 2": (2.16, 3.55), "France - 2": (2.16, 3.55), "Netherlands - Eridivisie": (2.20, 3.20), "England - Premier League": (2.18, 3.60) } # ========================== # 3) ВСПОМОГАТЕЛЬНЫЕ ФУНКЦИИ # ========================== def clean_team_name(name: Any) -> Any: if isinstance(name, str): return " ".join(name.strip().split()) return name def to_float(x: Any) -> Optional[float]: if x is None: return None try: if isinstance(x, str): x = x.replace(",", ".").strip() if pd.isna(x): return None return float(x) except Exception: return None def parse_date(raw_date: Any) -> Optional[datetime]: if isinstance(raw_date, datetime): return raw_date if isinstance(raw_date, (float, int)) and not pd.isna(raw_date): # Excel date (days since 1899-12-30) try: return datetime(1899, 12, 30) + timedelta(days=int(raw_date)) except Exception: return None if isinstance(raw_date, str): s = raw_date.strip() try: # "dd.mm.yyyy - ..." if " - " in s: s = s.split(" - ")[0].strip() # "dd.mm.yyyy" return datetime.strptime(s, "%d.%m.%Y") except Exception: return None return None def format_match(m: Tuple) -> str: league, date, home, away, o1, od, o2 = m return f"{date} | {league} | {home} - {away} | {o1}/{od}/{o2}" def get_thresholds_for_league(league_name: Optional[str]) -> Tuple[float, float]: if league_name: return league_thresholds.get(league_name, (2.40, 3.00)) return (2.40, 3.00) def parse_pairs_from_text(raw: str) -> List[Dict[str, Optional[str]]]: """ Форматы строк: 1) StartTeam ; EndTeam 2) League ; StartTeam ; EndTeam Разделители: ; или | Можно также "StartTeam - EndTeam" (если нет ; и |) """ pairs = [] for line in raw.splitlines(): line = line.strip() if not line: continue # сначала пробуем ; или | if ";" in line or "|" in line: sep = ";" if ";" in line else "|" parts = [p.strip() for p in line.split(sep) if p.strip()] if len(parts) == 2: league = None start, end = parts elif len(parts) >= 3: league, start, end = parts[0], parts[1], parts[2] else: continue pairs.append({"league": league, "start": clean_team_name(start), "end": clean_team_name(end)}) continue # иначе пробуем "A - B" if " - " in line: a, b = [p.strip() for p in line.split(" - ", 1)] pairs.append({"league": None, "start": clean_team_name(a), "end": clean_team_name(b)}) continue # если вообще непонятно — пропускаем print(f"[WARN] Не распознал строку пары: {line}") return pairs def read_pairs_multiline_from_console() -> List[Dict[str, Optional[str]]]: print( "Вставь пары игр (каждая с новой строки). Формат:\n" " StartTeam ; EndTeam\n" "или\n" " League ; StartTeam ; EndTeam\n" "Для завершения ввода — пустая строка.\n" ) lines = [] while True: try: line = input() except EOFError: break if not line.strip(): break lines.append(line) return parse_pairs_from_text("\n".join(lines)) # ========================== # 4) ЗАГРУЗКА МАТЧЕЙ + ГРАФ # ========================== def load_matches_from_excel(path: str) -> List[Tuple]: df = pd.read_excel(path) matches = [] for _, row in df.iterrows(): # ожидаем первые 7 колонок league = row.iloc[0] date = row.iloc[1] home = clean_team_name(row.iloc[2]) away = clean_team_name(row.iloc[3]) o1 = to_float(row.iloc[4]) od = to_float(row.iloc[5]) o2 = to_float(row.iloc[6]) # пропускаем битые строки if pd.isna(league) or not home or not away or o1 is None or o2 is None: continue matches.append((str(league), date, str(home), str(away), o1, od, o2)) return matches def build_graph(matches: List[Tuple]) -> Dict[str, List[Tuple[str, Tuple]]]: graph: Dict[str, List[Tuple[str, Tuple]]] = {} for match in matches: league, date, home_team, away_team, odds1, odds_draw, odds2 = match graph.setdefault(home_team, []).append((away_team, match)) graph.setdefault(away_team, []).append((home_team, match)) return graph def find_chains(graph: Dict[str, List[Tuple[str, Tuple]]], start_team: str, end_team: str, min_depth: int = 1, max_depth: int = 4, max_chains: Optional[int] = None) -> List[List[Tuple]]: chains: List[List[Tuple]] = [] queue = deque([(start_team, [], set())]) # (current, path, visited_matches) while queue: current_team, path, visited = queue.popleft() if current_team == end_team and path: if min_depth <= len(path) <= max_depth: chains.append(path) if max_chains is not None and len(chains) >= max_chains: break continue if len(path) >= max_depth: continue for neighbor, match in graph.get(current_team, []): if match in visited: continue new_visited = set(visited) new_visited.add(match) queue.append((neighbor, path + [match], new_visited)) # дедуп uniq = [] seen = set() for c in chains: t = tuple(c) if t not in seen: seen.add(t) uniq.append(c) return uniq def chain_avg_date(chain: List[Tuple]) -> datetime: dates = [] for m in chain: d = parse_date(m[1]) if d: dates.append(d) if not dates: return datetime.min avg_ts = sum(d.timestamp() for d in dates) / len(dates) return datetime.fromtimestamp(avg_ts) # ========================== # 5) КАЛЬКУЛЯТОР СИЛ + РЕШЕНИЕ # ========================== class TeamStrengthCalculator: def __init__(self): self.games: List[Dict[str, Any]] = [] self.eq1: List[Tuple[str, str, float]] = [] # (left, right, diff): left = right + diff self.eq2: List[Tuple[str, str, float]] = [] self.teams: List[str] = [] def add_games(self, games: List[Tuple]): for g in games: league, date, home_team, away_team, home_odds, draw_odds, away_odds = g home_odds_f = to_float(home_odds) away_odds_f = to_float(away_odds) draw_odds_f = to_float(draw_odds) if home_odds_f is None or away_odds_f is None: continue home_team = clean_team_name(home_team) away_team = clean_team_name(away_team) self.games.append({ "league": str(league), "date": date, "home_team": str(home_team), "away_team": str(away_team), "home_odds": home_odds_f, "draw_odds": draw_odds_f, "away_odds": away_odds_f }) # список команд s = set() for gg in self.games: s.add(gg["home_team"]) s.add(gg["away_team"]) self.teams = sorted(s) def calculate_method_1(self): for game in self.games: lg = game["league"] h = game["home_team"] a = game["away_team"] ho = game["home_odds"] ao = game["away_odds"] th_home, th_away = get_thresholds_for_league(lg) if ho < th_home and ao > th_away: home_strength = (100 / th_home) - (100 / ho) away_strength = (100 / ao) - (100 / th_away) diff = (abs(home_strength) + abs(away_strength)) / 2 self.eq1.append((h, a, float(f"{diff:.3f}"))) elif ho > th_home and ao < th_away: home_strength = (100 / ho) - (100 / th_home) away_strength = (100 / th_away) - (100 / ao) diff = (abs(home_strength) + abs(away_strength)) / 2 self.eq1.append((a, h, float(f"{diff:.3f}"))) def calculate_method_2(self): for game in self.games: lg = game["league"] h = game["home_team"] a = game["away_team"] ho = game["home_odds"] ao = game["away_odds"] th_home, th_away = get_thresholds_for_league(lg) if ho < ao: # фаворит хозяева if ho < th_home: val = abs((100 / th_home) - (100 / ho)) self.eq2.append((h, a, float(f"{val:.3f}"))) else: val = abs((100 / ho) - (100 / th_home)) self.eq2.append((a, h, float(f"{val:.3f}"))) else: # фаворит гости if ao < th_away: val = abs((100 / th_away) - (100 / ao)) self.eq2.append((a, h, float(f"{val:.3f}"))) else: val = abs((100 / ao) - (100 / th_away)) self.eq2.append((h, a, float(f"{val:.3f}"))) @staticmethod def _compute_new_odds(th_home: float, strength_diff: float) -> Tuple[Optional[float], Optional[float]]: """ Оставляю формулу как в твоём исходном коде (через th_home), чтобы логика не "сломалась" относительно твоих ожиданий. Если знаменатель <= 0 — возвращаем None. """ denom_start = (100 / th_home) + strength_diff denom_end = (100 / th_home) - strength_diff new_odds_start = None new_odds_end = None if denom_start > 0: new_odds_start = 100 / denom_start if denom_end > 0: new_odds_end = 100 / denom_end return new_odds_start, new_odds_end def solve_for_pair(self, start_team: str, end_team: str, baseline_league: Optional[str] = None) -> Dict[str, Any]: """ Возвращает результаты для Method 1 и Method 2: strength_diff, start_odds, end_odds, solved(bool) """ if not self.games: return {"m1": {"solved": False}, "m2": {"solved": False}} # если baseline_league задан (из строки запроса), берём пороги по ней # иначе — по лиге первого матча цепочки (как было у тебя по смыслу) if baseline_league: th_home, th_away = get_thresholds_for_league(baseline_league) used_baseline_league = baseline_league else: first_league = self.games[0]["league"] th_home, th_away = get_thresholds_for_league(first_league) used_baseline_league = first_league # заводим переменные: старт = 0, остальные = x1, x2, ... team_symbols: Dict[str, Any] = {} sym_list = [] idx = 1 for t in self.teams: if t == start_team: team_symbols[t] = 0 else: sym = symbols(f"x{idx}") idx += 1 team_symbols[t] = sym sym_list.append(sym) def build_equations(eq_list: List[Tuple[str, str, float]]) -> List[Any]: out = [] for left, right, diff in eq_list: if left not in team_symbols or right not in team_symbols: continue out.append(Eq(team_symbols[left], team_symbols[right] + float(diff))) return out res = {"baseline_league_used": used_baseline_league, "threshold_home": th_home, "threshold_away": th_away} # ------- Method 1 ------- eqs1 = build_equations(self.eq1) m1 = {"solved": False} if eqs1 and end_team in team_symbols: try: sol1 = solve(eqs1, sym_list, dict=True) if sol1: sol = sol1[0] end_sym = team_symbols[end_team] if end_sym in sol: end_val = float(sol[end_sym].evalf()) strength_diff = -end_val # start=0 => start - end = -end s_odds, e_odds = self._compute_new_odds(th_home, strength_diff) m1 = { "solved": True, "strength_diff": float(f"{strength_diff:.3f}"), "start_odds": None if s_odds is None else float(f"{s_odds:.3f}"), "end_odds": None if e_odds is None else float(f"{e_odds:.3f}"), "equations_count": len(eqs1), } except Exception: pass res["m1"] = m1 # ------- Method 2 ------- eqs2 = build_equations(self.eq2) m2 = {"solved": False} if eqs2 and end_team in team_symbols: try: sol2 = solve(eqs2, sym_list, dict=True) if sol2: sol = sol2[0] end_sym = team_symbols[end_team] if end_sym in sol: end_val = float(sol[end_sym].evalf()) strength_diff = -end_val s_odds, e_odds = self._compute_new_odds(th_home, strength_diff) m2 = { "solved": True, "strength_diff": float(f"{strength_diff:.3f}"), "start_odds": None if s_odds is None else float(f"{s_odds:.3f}"), "end_odds": None if e_odds is None else float(f"{e_odds:.3f}"), "equations_count": len(eqs2), } except Exception: pass res["m2"] = m2 return res # ========================== # 6) ОСНОВНОЙ ПРОГОН + ЭКСПОРТ # ========================== def main(): print("[INFO] Загружаю матчи из Excel...") matches = load_matches_from_excel(EXCEL_RESULTS_PATH) print(f"[INFO] Загружено матчей: {len(matches)}") print("[INFO] Строю граф...") graph = build_graph(matches) print(f"[INFO] Команд в графе: {len(graph)}") # пары (из PAIRS_RAW или из консоли) if PAIRS_RAW.strip(): pairs = parse_pairs_from_text(PAIRS_RAW) else: pairs = read_pairs_multiline_from_console() if not pairs: print("[ERROR] Не найдено ни одной пары. Заполни PAIRS_RAW или вставь пары в консоль.") return all_rows = [] best_rows = [] for qi, q in enumerate(pairs, start=1): league_q = q.get("league") start_team = clean_team_name(q.get("start")) end_team = clean_team_name(q.get("end")) if not start_team or not end_team: continue print(f"\n[INFO] ({qi}/{len(pairs)}) Пара: {start_team} -> {end_team} | baseline league: {league_q or 'AUTO'}") chains = find_chains( graph=graph, start_team=start_team, end_team=end_team, min_depth=MIN_DEPTH, max_depth=MAX_DEPTH, max_chains=MAX_CHAINS_PER_QUERY ) if not chains: print("[WARN] Цепочки не найдены.") all_rows.append({ "query_id": qi, "query_league": league_q, "start_team": start_team, "end_team": end_team, "chains_found": 0, "chain_index": None, "chain_length": None, "avg_date": None, "matches_in_chain": None, "leagues_in_chain": None, "baseline_league_used": None, "threshold_home": None, "threshold_away": None, "m1_solved": False, "m1_strength_diff": None, "m1_start_odds": None, "m1_end_odds": None, "m1_equations": None, "m2_solved": False, "m2_strength_diff": None, "m2_start_odds": None, "m2_end_odds": None, "m2_equations": None }) continue # сортировка: сначала короче, при равенстве — новее chain_infos = [] for c in chains: chain_infos.append({ "chain": c, "len": len(c), "avg_date": chain_avg_date(c) }) chain_infos.sort(key=lambda x: (x["len"], -x["avg_date"].timestamp() if x["avg_date"] != datetime.min else float("inf"))) # "лучшая" = первая после сортировки best_chain_info = chain_infos[0] print(f"[INFO] Найдено цепочек: {len(chain_infos)}. Лучшая: len={best_chain_info['len']} avg_date={best_chain_info['avg_date']}") # обработка всех цепочек -> строки for ci, info in enumerate(chain_infos, start=1): c = info["chain"] avg_date = info["avg_date"] avg_date_str = None if avg_date == datetime.min else avg_date.strftime("%d.%m.%Y") used_leagues = sorted({m[0] for m in c if m and len(m) >= 1}) used_leagues_str = "; ".join(used_leagues) if used_leagues else None calc = TeamStrengthCalculator() calc.add_games(c) calc.calculate_method_1() calc.calculate_method_2() solved = calc.solve_for_pair(start_team, end_team, baseline_league=league_q) row = { "query_id": qi, "query_league": league_q, "start_team": start_team, "end_team": end_team, "chains_found": len(chain_infos), "chain_index": ci, "chain_length": info["len"], "avg_date": avg_date_str, "matches_in_chain": " || ".join(format_match(m) for m in c), "leagues_in_chain": used_leagues_str, "baseline_league_used": solved.get("baseline_league_used"), "threshold_home": solved.get("threshold_home"), "threshold_away": solved.get("threshold_away"), "m1_solved": solved["m1"].get("solved", False), "m1_strength_diff": solved["m1"].get("strength_diff"), "m1_start_odds": solved["m1"].get("start_odds"), "m1_end_odds": solved["m1"].get("end_odds"), "m1_equations": solved["m1"].get("equations_count"), "m2_solved": solved["m2"].get("solved", False), "m2_strength_diff": solved["m2"].get("strength_diff"), "m2_start_odds": solved["m2"].get("start_odds"), "m2_end_odds": solved["m2"].get("end_odds"), "m2_equations": solved["m2"].get("equations_count"), } all_rows.append(row) # best sheet row bc = best_chain_info["chain"] calc = TeamStrengthCalculator() calc.add_games(bc) calc.calculate_method_1() calc.calculate_method_2() solved = calc.solve_for_pair(start_team, end_team, baseline_league=league_q) best_rows.append({ "query_id": qi, "query_league": league_q, "start_team": start_team, "end_team": end_team, "best_chain_length": best_chain_info["len"], "best_avg_date": None if best_chain_info["avg_date"] == datetime.min else best_chain_info["avg_date"].strftime("%d.%m.%Y"), "best_matches_in_chain": " || ".join(format_match(m) for m in bc), "baseline_league_used": solved.get("baseline_league_used"), "threshold_home": solved.get("threshold_home"), "threshold_away": solved.get("threshold_away"), "m1_solved": solved["m1"].get("solved", False), "m1_strength_diff": solved["m1"].get("strength_diff"), "m1_start_odds": solved["m1"].get("start_odds"), "m1_end_odds": solved["m1"].get("end_odds"), "m1_equations": solved["m1"].get("equations_count"), "m2_solved": solved["m2"].get("solved", False), "m2_strength_diff": solved["m2"].get("strength_diff"), "m2_start_odds": solved["m2"].get("start_odds"), "m2_end_odds": solved["m2"].get("end_odds"), "m2_equations": solved["m2"].get("equations_count"), }) # экспорт df_all = pd.DataFrame(all_rows) df_best = pd.DataFrame(best_rows) print(f"\n[INFO] Сохраняю Excel: {OUTPUT_XLSX_PATH}") with pd.ExcelWriter(OUTPUT_XLSX_PATH, engine="openpyxl") as writer: df_all.to_excel(writer, index=False, sheet_name="all_chains") df_best.to_excel(writer, index=False, sheet_name="best_chain") print("[DONE] Готово.") if __name__ == "__main__": main()
Как пользоваться (быстро)
- Укажи пути
EXCEL_RESULTS_PATHиOUTPUT_XLSX_PATH. - В
PAIRS_RAWвставь несколько строк:
StartTeam ; EndTeam- или
League ; StartTeam ; EndTeam
Пример:
textEngland - Premier League ; Arsenal ; Liverpool Spain LaLiga ; Real Madrid ; Barcelona Dinamo Zagreb ; Hajduk Split
На выходе будет Excel:
- all_chains — все цепочки по всем парам
- best_chain — “лучшая” цепочка (самая короткая, при равенстве — самая свежая)
Если хочешь, я могу сделать ещё удобнее: чтобы он брал список игр из отдельного Excel/CSV (например queries.xlsx) и вообще без вставок в код.
प्रश्न
я не хочу писать туда лигу, просто написал список команд допустим вот так: Mirandes–Almeria;
Andorra–Cultural Leonesa;
Real Sociedad B–Albacete;
Burgos CF–Eibar;
Las Palmas–Dep. La Coruna;
Racing Santander–Zaragoza;
Leganes–Valladolid;
Granada CF–Castellon;
Malaga–Ceuta;
Huesca–Cordoba и код должен посчитать все игры и сохранить в excel файл который будет создан автоматически, архив игр в том же файле results, переделай код и вышли мне полный вариант
विचार
उत्तर
Ниже — полный готовый скрипт, который:
- берёт архив матчей из
results.xlsx(тот же файл, что у тебя сейчас), - ты просто вставляешь список пар команд в формате
Команда–Команда;(как в примере), - он считает все игры (для каждой пары ищет WTP-цепочки depth 1–4, считает Method 1/2),
- и автоматически создаёт новый Excel с результатами (имя с датой/временем).
⚠️ Важно: названия команд должны совпадать с теми, что в results.xlsx (скрипт делает лёгкое “выравнивание” по пробелам/регистру, но не “угадывает” полностью другие названия).
python# -*- coding: utf-8 -*- import os import re import pandas as pd from collections import deque from sympy import symbols, Eq, solve from datetime import datetime, timedelta from typing import List, Tuple, Dict, Any, Optional # ========================================================= # НАСТРОЙКИ # ========================================================= # 1) Положи этот .py файл в ту же папку, где лежит results.xlsx RESULTS_XLSX = "results.xlsx" # Глубина цепочек MIN_DEPTH = 1 MAX_DEPTH = 4 # Лимит цепочек на одну пару (чтобы не взорвать время/память). None = без лимита MAX_CHAINS_PER_PAIR = 300 # ========================================================= # ПОРОГИ ЛИГ (как у тебя) # ========================================================= league_thresholds = { "Albania Superiore": (2.52, 2.73), "Andorra Primera": (2.42, 2.75), "Armenia Premier": (2.32, 3.20), "Bosnia WWin Liga": (2.00, 3.20), "Croatia HNL": (2.29, 3.25), "Cyprus League": (2.25, 3.20), "Cyprus Division 2": (2.46, 2.70), "Czech Chance Liga": (2.25, 3.30), "Denmark Superliga": (2.40, 3.00), "Greece Super League": (2.36, 3.40), "Greece Super League 2": (2.25, 3.30), "Hungary OTP Bank Liga": (2.17, 3.40), "Hungary Merkantil Bank Liga": (2.38, 3.30), "Luxembourg BGL Ligue": (2.20, 3.00), "Malta Premier League": (2.75, 2.60), "Montenegro Prva Liga": (2.50, 3.20), "North Macedonia 1 MFL": (2.13, 3.60), "Slovakia Nike Liga": (2.30, 3.00), "Slovenia Prva Liga": (2.47, 3.00), "Algeria Ligue 2": (1.87, 5.00), "Mexico Liga de Expansion MX": (2.00, 4.00), "South Africa Premiership": (2.31, 3.45), "Croatia Prva NL": (2.40, 2.80), "India ISL": (2.17, 3.33), "Indonesia Liga 1": (2.27, 3.45), "Bulgaria Vtora liga": (2.27, 3.45), "Zambia Super League": (2.47, 3.10), "Romania Liga 3": (2.30, 2.94), "Myanmar National League": (2.50, 2.50), "Tanzania Ligi Kuu Bara": (2.20, 3.30), "France Nacional": (2.32, 3.30), "Nigeria NPFL": (1.50, 6.00), "Turkey 1.Lig": (2.27, 3.20), "Algeria Ligue 1": (2.05, 4.30), "Italy Serie C - A": (2.38, 3.30), "Italy Serie B": (2.46, 3.50), "Algeria Ligue 2 - 21": (2.00, 3.20), "England National League South": (2.38, 3.00), "Brazil Paulista A4": (2.44, 3.00), "Ethiopia": (3.12, 2.85), "Spain LaLiga": (2.29, 3.61), "Australia NPL": (2.22, 3.00), "Bulgaria Vtora Liga": (2.08, 3.70), "Italy Serie C - C": (2.40, 3.20), "Spain Segunda": (2.11, 4.02), "France Ligue 1": (2.30, 3.60), "Brazil Serie A": (2.05, 4.00), "Brazil Serie B": (2.05, 4.00), "Brazil Serie C": (2.15, 3.70), "Iceland Besta Delid": (2.12, 3.10), "Australia NPL Northern": (2.47, 2.30), "Norway Division 2": (2.08, 2.94), "USA MLS": (2.27, 3.20), "Argentina": (2.22, 3.80), "Mexico": (2.08, 3.80), "Bundesliga - 2": (2.16, 3.55), "France - 2": (2.16, 3.55), "Netherlands - Eridivisie": (2.20, 3.20), "England - Premier League": (2.18, 3.60) } # ========================================================= # ВСПОМОГАТЕЛЬНЫЕ ФУНКЦИИ # ========================================================= def clean_team_name(name: Any) -> Any: if isinstance(name, str): return " ".join(name.strip().split()) return name def norm_key(s: str) -> str: return re.sub(r"\s+", " ", s.strip().lower()) def to_float(x: Any) -> Optional[float]: if x is None: return None try: if isinstance(x, str): x = x.replace(",", ".").strip() if pd.isna(x): return None return float(x) except Exception: return None def parse_date(raw_date: Any) -> Optional[datetime]: if isinstance(raw_date, datetime): return raw_date if isinstance(raw_date, (float, int)) and not pd.isna(raw_date): try: return datetime(1899, 12, 30) + timedelta(days=int(raw_date)) except Exception: return None if isinstance(raw_date, str): s = raw_date.strip() try: if " - " in s: s = s.split(" - ")[0].strip() return datetime.strptime(s, "%d.%m.%Y") except Exception: return None return None def get_thresholds_for_league(league_name: str) -> Tuple[float, float]: return league_thresholds.get(league_name, (2.40, 3.00)) def format_match(m: Tuple) -> str: league, date, home, away, o1, od, o2 = m return f"{date} | {league} | {home} - {away} | {o1}/{od}/{o2}" def chain_avg_date(chain: List[Tuple]) -> datetime: dates = [] for m in chain: d = parse_date(m[1]) if d: dates.append(d) if not dates: return datetime.min avg_ts = sum(d.timestamp() for d in dates) / len(dates) return datetime.fromtimestamp(avg_ts) def read_pairs_from_console() -> List[Tuple[str, str]]: print( "Вставь список пар команд (каждая пара может быть в новой строке и/или через ;)\n" "Формат: TeamA–TeamB; (поддерживаются: – — - )\n" "Когда закончишь — нажми Enter на пустой строке.\n" ) lines = [] while True: try: line = input() except EOFError: break if not line.strip(): break lines.append(line) raw = "\n".join(lines) # режем по ; и переводам строк items = [x.strip() for x in re.split(r"[;\n]+", raw) if x.strip()] pairs: List[Tuple[str, str]] = [] for it in items: # сначала ищем en-dash/em-dash (наиболее безопасно) if "–" in it: a, b = it.split("–", 1) elif "—" in it: a, b = it.split("—", 1) elif " - " in it: a, b = it.split(" - ", 1) else: # на крайний случай: обычный '-' # (может быть риск, если в названии есть дефис — но обычно ок) if "-" in it: a, b = it.split("-", 1) else: print(f"[WARN] Не смог распознать пару: {it}") continue a = clean_team_name(a) b = clean_team_name(b) if a and b: pairs.append((a, b)) return pairs # ========================================================= # ЗАГРУЗКА МАТЧЕЙ + ГРАФ # ========================================================= def load_matches_from_excel(path: str) -> List[Tuple]: df = pd.read_excel(path) matches = [] for _, row in df.iterrows(): # ожидаем 7 колонок: league, date, home, away, o1, od, o2 league = row.iloc[0] date = row.iloc[1] home = clean_team_name(row.iloc[2]) away = clean_team_name(row.iloc[3]) o1 = to_float(row.iloc[4]) od = to_float(row.iloc[5]) o2 = to_float(row.iloc[6]) if pd.isna(league) or not home or not away or o1 is None or o2 is None: continue matches.append((str(league), date, str(home), str(away), o1, od, o2)) return matches def build_graph(matches: List[Tuple]) -> Dict[str, List[Tuple[str, Tuple]]]: graph: Dict[str, List[Tuple[str, Tuple]]] = {} for match in matches: league, date, home_team, away_team, odds1, odds_draw, odds2 = match graph.setdefault(home_team, []).append((away_team, match)) graph.setdefault(away_team, []).append((home_team, match)) return graph def find_chains(graph: Dict[str, List[Tuple[str, Tuple]]], start_team: str, end_team: str, min_depth: int = 1, max_depth: int = 4, max_chains: Optional[int] = None) -> List[List[Tuple]]: chains: List[List[Tuple]] = [] queue = deque([(start_team, [], set())]) # (current, path, visited_matches) while queue: current_team, path, visited = queue.popleft() if current_team == end_team and path: if min_depth <= len(path) <= max_depth: chains.append(path) if max_chains is not None and len(chains) >= max_chains: break continue if len(path) >= max_depth: continue for neighbor, match in graph.get(current_team, []): if match in visited: continue new_visited = set(visited) new_visited.add(match) queue.append((neighbor, path + [match], new_visited)) # дедуп uniq = [] seen = set() for c in chains: t = tuple(c) if t not in seen: seen.add(t) uniq.append(c) return uniq # ========================================================= # КАЛЬКУЛЯТОР СИЛ (Method 1/2) + Sympy solve # ========================================================= class TeamStrengthCalculator: def __init__(self): self.games: List[Dict[str, Any]] = [] self.eq1: List[Tuple[str, str, float]] = [] # left = right + diff self.eq2: List[Tuple[str, str, float]] = [] self.teams: List[str] = [] def add_games(self, games: List[Tuple]): self.games = [] for g in games: league, date, home_team, away_team, home_odds, draw_odds, away_odds = g ho = to_float(home_odds) ao = to_float(away_odds) do = to_float(draw_odds) if ho is None or ao is None: continue home_team = clean_team_name(home_team) away_team = clean_team_name(away_team) self.games.append({ "league": str(league), "date": date, "home_team": str(home_team), "away_team": str(away_team), "home_odds": ho, "draw_odds": do, "away_odds": ao }) s = set() for gg in self.games: s.add(gg["home_team"]) s.add(gg["away_team"]) self.teams = sorted(s) def calculate_method_1(self): self.eq1 = [] for game in self.games: lg = game["league"] h = game["home_team"] a = game["away_team"] ho = game["home_odds"] ao = game["away_odds"] th_home, th_away = get_thresholds_for_league(lg) if ho < th_home and ao > th_away: home_strength = (100 / th_home) - (100 / ho) away_strength = (100 / ao) - (100 / th_away) diff = (abs(home_strength) + abs(away_strength)) / 2 self.eq1.append((h, a, float(f"{diff:.3f}"))) elif ho > th_home and ao < th_away: home_strength = (100 / ho) - (100 / th_home) away_strength = (100 / th_away) - (100 / ao) diff = (abs(home_strength) + abs(away_strength)) / 2 self.eq1.append((a, h, float(f"{diff:.3f}"))) def calculate_method_2(self): self.eq2 = [] for game in self.games: lg = game["league"] h = game["home_team"] a = game["away_team"] ho = game["home_odds"] ao = game["away_odds"] th_home, th_away = get_thresholds_for_league(lg) if ho < ao: if ho < th_home: val = abs((100 / th_home) - (100 / ho)) self.eq2.append((h, a, float(f"{val:.3f}"))) else: val = abs((100 / ho) - (100 / th_home)) self.eq2.append((a, h, float(f"{val:.3f}"))) else: if ao < th_away: val = abs((100 / th_away) - (100 / ao)) self.eq2.append((a, h, float(f"{val:.3f}"))) else: val = abs((100 / ao) - (100 / th_away)) self.eq2.append((h, a, float(f"{val:.3f}"))) @staticmethod def _compute_new_odds(th_home: float, strength_diff: float) -> Tuple[Optional[float], Optional[float]]: # формула оставлена как у тебя (через threshold_home) denom_start = (100 / th_home) + strength_diff denom_end = (100 / th_home) - strength_diff s_odds = (100 / denom_start) if denom_start > 0 else None e_odds = (100 / denom_end) if denom_end > 0 else None return s_odds, e_odds def _solve_equations(self, eq_list: List[Tuple[str, str, float]], start_team: str, end_team: str): if not self.games or not eq_list: return {"solved": False} # baseline thresholds: лига первого матча цепочки (как у тебя логически) baseline_league = self.games[0]["league"] th_home, th_away = get_thresholds_for_league(baseline_league) # символы (start=0, остальные x1..xn) team_symbols: Dict[str, Any] = {} sym_list = [] idx = 1 for t in self.teams: if t == start_team: team_symbols[t] = 0 else: sym = symbols(f"x{idx}") idx += 1 team_symbols[t] = sym sym_list.append(sym) if end_team not in team_symbols: return {"solved": False} eqs = [] for left, right, diff in eq_list: if left in team_symbols and right in team_symbols: eqs.append(Eq(team_symbols[left], team_symbols[right] + float(diff))) if not eqs: return {"solved": False} try: sol = solve(eqs, sym_list, dict=True) if not sol: return {"solved": False} end_sym = team_symbols[end_team] if end_sym not in sol[0]: return {"solved": False} end_val = float(sol[0][end_sym].evalf()) strength_diff = -end_val # start=0 => start - end = -end s_odds, e_odds = self._compute_new_odds(th_home, strength_diff) return { "solved": True, "baseline_league_used": baseline_league, "threshold_home": th_home, "threshold_away": th_away, "strength_diff": float(f"{strength_diff:.3f}"), "start_odds": None if s_odds is None else float(f"{s_odds:.3f}"), "end_odds": None if e_odds is None else float(f"{e_odds:.3f}"), "equations_count": len(eqs), } except Exception: return {"solved": False} def solve_methods(self, start_team: str, end_team: str): m1 = self._solve_equations(self.eq1, start_team, end_team) m2 = self._solve_equations(self.eq2, start_team, end_team) return m1, m2 # ========================================================= # MAIN # ========================================================= def main(): if not os.path.exists(RESULTS_XLSX): raise FileNotFoundError(f"Не найден файл {RESULTS_XLSX}. Положи results.xlsx рядом со скриптом или укажи полный путь.") print("[INFO] Читаю архив матчей из results.xlsx ...") matches = load_matches_from_excel(RESULTS_XLSX) print(f"[INFO] Загружено матчей: {len(matches)}") print("[INFO] Строю граф связей команд ...") graph = build_graph(matches) print(f"[INFO] Команд в графе: {len(graph)}") # строим справочник "нормализованное имя" -> "как в базе" name_lookup = {norm_key(team): team for team in graph.keys()} pairs = read_pairs_from_console() if not pairs: print("[ERROR] Пары не введены.") return # авто-имя выходного файла ts = datetime.now().strftime("%Y%m%d_%H%M%S") out_file = f"wtp_output_{ts}.xlsx" all_rows = [] best_rows = [] for qi, (raw_start, raw_end) in enumerate(pairs, start=1): # пытаемся привести к названиям как в results.xlsx start_team = name_lookup.get(norm_key(raw_start), clean_team_name(raw_start)) end_team = name_lookup.get(norm_key(raw_end), clean_team_name(raw_end)) print(f"\n[INFO] ({qi}/{len(pairs)}) Пара: {start_team} -> {end_team}") chains = find_chains( graph=graph, start_team=start_team, end_team=end_team, min_depth=MIN_DEPTH, max_depth=MAX_DEPTH, max_chains=MAX_CHAINS_PER_PAIR ) if not chains: print("[WARN] Цепочки не найдены.") all_rows.append({ "query_id": qi, "start_team": start_team, "end_team": end_team, "chains_found": 0, "chain_index": None, "chain_length": None, "avg_date": None, "matches_in_chain": None, "leagues_in_chain": None, "baseline_league_used_m1": None, "threshold_home_m1": None, "threshold_away_m1": None, "m1_solved": False, "m1_strength_diff": None, "m1_start_odds": None, "m1_end_odds": None, "m1_equations": None, "baseline_league_used_m2": None, "threshold_home_m2": None, "threshold_away_m2": None, "m2_solved": False, "m2_strength_diff": None, "m2_start_odds": None, "m2_end_odds": None, "m2_equations": None }) continue # сортировка: короткие цепочки лучше, при равенстве — более свежая средняя дата chain_infos = [] for c in chains: chain_infos.append({"chain": c, "len": len(c), "avg_date": chain_avg_date(c)}) chain_infos.sort(key=lambda x: (x["len"], -x["avg_date"].timestamp() if x["avg_date"] != datetime.min else float("inf"))) best_chain_info = chain_infos[0] print(f"[INFO] Найдено цепочек: {len(chain_infos)}. Лучшая: len={best_chain_info['len']}") # записываем все цепочки for ci, info in enumerate(chain_infos, start=1): c = info["chain"] avg_date = info["avg_date"] avg_date_str = None if avg_date == datetime.min else avg_date.strftime("%d.%m.%Y") used_leagues = sorted({m[0] for m in c}) used_leagues_str = "; ".join(used_leagues) calc = TeamStrengthCalculator() calc.add_games(c) calc.calculate_method_1() calc.calculate_method_2() m1, m2 = calc.solve_methods(start_team, end_team) row = { "query_id": qi, "start_team": start_team, "end_team": end_team, "chains_found": len(chain_infos), "chain_index": ci, "chain_length": info["len"], "avg_date": avg_date_str, "matches_in_chain": " || ".join(format_match(m) for m in c), "leagues_in_chain": used_leagues_str, "baseline_league_used_m1": m1.get("baseline_league_used"), "threshold_home_m1": m1.get("threshold_home"), "threshold_away_m1": m1.get("threshold_away"), "m1_solved": m1.get("solved", False), "m1_strength_diff": m1.get("strength_diff"), "m1_start_odds": m1.get("start_odds"), "m1_end_odds": m1.get("end_odds"), "m1_equations": m1.get("equations_count"), "baseline_league_used_m2": m2.get("baseline_league_used"), "threshold_home_m2": m2.get("threshold_home"), "threshold_away_m2": m2.get("threshold_away"), "m2_solved": m2.get("solved", False), "m2_strength_diff": m2.get("strength_diff"), "m2_start_odds": m2.get("start_odds"), "m2_end_odds": m2.get("end_odds"), "m2_equations": m2.get("equations_count"), } all_rows.append(row) # лучшая цепочка в отдельный лист bc = best_chain_info["chain"] calc = TeamStrengthCalculator() calc.add_games(bc) calc.calculate_method_1() calc.calculate_method_2() m1, m2 = calc.solve_methods(start_team, end_team) best_rows.append({ "query_id": qi, "start_team": start_team, "end_team": end_team, "best_chain_length": best_chain_info["len"], "best_avg_date": None if best_chain_info["avg_date"] == datetime.min else best_chain_info["avg_date"].strftime("%d.%m.%Y"), "best_matches_in_chain": " || ".join(format_match(m) for m in bc), "baseline_league_used_m1": m1.get("baseline_league_used"), "threshold_home_m1": m1.get("threshold_home"), "threshold_away_m1": m1.get("threshold_away"), "m1_solved": m1.get("solved", False), "m1_strength_diff": m1.get("strength_diff"), "m1_start_odds": m1.get("start_odds"), "m1_end_odds": m1.get("end_odds"), "m1_equations": m1.get("equations_count"), "baseline_league_used_m2": m2.get("baseline_league_used"), "threshold_home_m2": m2.get("threshold_home"), "threshold_away_m2": m2.get("threshold_away"), "m2_solved": m2.get("solved", False), "m2_strength_diff": m2.get("strength_diff"), "m2_start_odds": m2.get("start_odds"), "m2_end_odds": m2.get("end_odds"), "m2_equations": m2.get("equations_count"), }) # сохраняем excel df_all = pd.DataFrame(all_rows) df_best = pd.DataFrame(best_rows) print(f"\n[INFO] Сохраняю результат в файл: {out_file}") with pd.ExcelWriter(out_file, engine="openpyxl") as writer: df_best.to_excel(writer, index=False, sheet_name="best_chain") df_all.to_excel(writer, index=False, sheet_name="all_chains") print("[DONE] Готово.") if __name__ == "__main__": main()
Как пользоваться (совсем просто)
- Положи этот
.pyв ту же папку, где лежитresults.xlsx - Запусти скрипт
- Вставь список как у тебя:
textMirandes–Almeria; Andorra–Cultural Leonesa; Real Sociedad B–Albacete; ... Huesca–Cordoba
- Нажми Enter на пустой строке
- В папке появится файл типа
wtp_output_20260110_153012.xlsx
Если хочешь, я добавлю ещё 2 улучшения (без твоих усилий):
- автопоиск ближайшего совпадения названий команд, если в вводе слегка отличается написание,
- ускорение: сначала искать цепочки длины 1, потом 2, 3, 4 и останавливаться, когда найден “лучший” вариант (быстрее в разы).