Subindo projeto no huggingface

app.py

@@ -0,0 +1,55 @@
+import numpy as np
+import pandas as pd
+from scipy.stats import poisson
+import tools
+import streamlit as st
+import matplotlib.pyplot as plt
+import seaborn as sns
+
+# Lendo arquivo excel
+df = pd.read_excel('../datasets/info_futebol.xlsx', sheet_name='info_geral', index_col='Time')
+
+# Criando coluna de força de times
+a, b = df['Pontuacao'].min(), df['Pontuacao'].max()
+fa, fb = 0.15, 1 # novos limites
+b1 = (fb - fa)/(b-a)
+b0 = fb - b*b1
+df['forca'] = round(b0 + b1*df['Pontuacao'], 3)
+
+# Streamlit Step
+
+rad = st.sidebar.radio('Navegue pelos itens', ['Home', 'Sobre', 'BET Jogos', 'BET Campeonato'])
+
+if rad == 'Home':
+	st.markdown(""" ##  :soccer: BET-POISSON """)
+	st.write('Simulando jogos com base na distribuição de Poisson.')
+
+if rad == 'Sobre':
+	st.write('Em construção')
+
+if rad == 'BET Jogos':
+	times1 = list(df.index)
+	times2 = times1.copy()
+	casa, visitante = st.columns(2)
+	time1 = casa.selectbox('Time Casa', times1)
+	times2.remove(time1)
+	time2 = visitante.selectbox('Time Visitante', times2)
+	prob, matrix = tools.probabilidades_partidas(df, time1, time2)
+
+
+	col1, col2, col3, col4, col5 = st.columns(5)
+	col1.image(df.loc[time1, 'imagem'])  
+	col2.metric(time1, prob[0])
+	col3.metric('Empate', prob[1])
+	col4.metric(time2, prob[2]) 
+	col5.image(df.loc[time2, 'imagem'])
+
+	if st.button('Mostrar mapa de calor dos placares'):
+		fig, ax = plt.subplots(figsize=(10, 5))
+		sns.heatmap(matrix, vmax = 19 , annot=True, linewidth = .5, fmt=".1f")
+		plt.xlabel(f'{time2}', fontsize=13)
+		plt.ylabel(f'{time1}', fontsize=13)
+		st.pyplot(fig)
+
+if rad == 'BET Campeonato':
+	st.write('Em construção')

tools.py

@@ -0,0 +1,77 @@
+import numpy as np
+import pandas as pd
+from scipy.stats import poisson
+
+def lambda_(df, team1, team2):
+
+    forca1 = df.loc[team1]['forca']
+    forca2 = df.loc[team2]['forca']
+    m = 2.25
+    lambda1 = m*forca1/(forca2 + forca1)
+    lambda2 = m - lambda1
+
+    return [lambda1, lambda2]
+
+def resultado_vde(gols1, gols2):
+
+    if gols1 > gols2:
+       	resultado = 'V'
+    elif gols1 < gols2:
+       	resultado = 'D'
+    else:
+       	resultado = 'E'
+
+    return resultado
+
+
+def pontos_time(gols1, gols2):
+    
+    resultado = resultado_vde(gols1, gols2)
+    if resultado == 'V':
+       	pontos1, pontos2 = 3, 0
+    elif resultado == 'D':
+       	pontos1, pontos2 = 0, 3
+    else:
+       	pontos1, pontos2 = 0, 0
+
+    return [pontos1, pontos2, resultado]
+
+def dist_poisson(media):
+
+    probs = [poisson.pmf(i, media) for i in range(0, 6, 1)] # calcula a probabilidade de sair i gols quando a média = media
+    probs.append(1-sum(probs)) # probabilidade de sair mais que 5 gols
+    return pd.Series(probs, index = ['0', '1', '2', '3', '4', '5', '6+'])
+
+
+def probabilidades_partidas(df, team1, team2):
+
+    lambda1, lambda2 = lambda_(df, team1, team2)
+    dist1, dist2 = dist_poisson(lambda1), dist_poisson(lambda2)
+    matriz_resultados = np.outer(dist1, dist2) # outer produto dos valores de dist1 e dist2
+
+    # empates
+    empates = np.trace(matriz_resultados)
+
+    # soma dos triangulos inferiores
+    vitoria_team1 = np.tril(matriz_resultados).sum() - empates
+
+    # soma dos triangulos superiores
+    vitoria_team2 = np.triu(matriz_resultados).sum() - empates
+
+    vde = np.around([vitoria_team1, empates, vitoria_team2], 3)
+    probabilidades = [f'{100*i:.2f}%' for i in vde]
+
+    return probabilidades, 100*matriz_resultados
+
+
+def simula_jogo(team1, team2):
+
+    lambda1, lambda2 = lambda_(team1, team2)
+    gols1 = int(np.random.poisson(lam=lambda1, size=1))
+    gols2 = int(np.random.poisson(lam=lambda2, size=1))
+    saldo1 = gols1 - gols2
+    saldo2 = gols2 - gols1
+    pts1, pts2, resultado = pontos_time(gols1, gols2)
+    placar = f'{gols1} X {gols2}'
+
+    return [gols1, gols2, saldo1, saldo2, pts1, pts2, resultado, placar]