最近打開各大主流APP出現得最多的世界世界时间無非就是世界杯了 ，四年一度的杯小杯世世界杯可謂是國際上最引人注目的比賽之一了 。
那麽這兩天趁著空閑時間，组赛通過機器學習的界杯方法來預測一下2022卡塔爾世界杯小組賽的結果 ，先上預測結果 ：
p1 預測結果（1）
p2 預測結果（2）世界杯小組賽中允許平局 ，大胆但是预测因為模型的原因 ，這裏僅展示了勝負兩種情況 ，世界世界时间下麵會說到（模型訓練部分） 。杯小杯世
當然 ，组赛預測結果也僅僅是界杯預測結果而已。本文權當成是大胆筆者興趣探索的思路，采用的预测數據集及數據特征比較簡單 ，所用的世界世界时间機器學習算法也是簡單的算法 ，有其他大佬會用到更多的特征更優的算法進行預測（甚至於 ，莊家對於各支球隊的賠率也用上了） ，訓練出來的模型更貼合實際 。筆者的思路如下：
1-數據準備
本文用到的數據集是來自kaggle的一份公開數據集（數據鏈接） ，數據集描述的是記錄了1870年-2022年期間所有國際性足球比賽結果（但我看了好像奧運會沒有） 。
那麽開始準備數據 。
先導入必要的包pandas並讀取數據集 。pandas可謂是python中進行數據處理最牛逼的存在了 。
import pandas as pddf = pd.read_csv(results.csv)查看數據特征及前5條信息 ：
print(df.info())print(df.head())一共有9列 ，4.4w行數據：
p3 數據集概況數據集記錄著比賽時間 、主客隊名稱 、主客隊進球數、賽事名稱 、比賽城市及國家 、是否中立 ，其中tournament為賽事名稱 ，我看了一下裏麵的比賽 ，什麽比賽都有記錄（奧運會除外） ，甚至友誼賽也有 。為了數據具有代表性，筆者這裏考慮隻選取大型比賽的數據，作為一個非足球愛好者 ，網上衝浪了很長時間 ，終於在百度百科找到了比較大型的國際足球賽事名稱 ，同時為了樣本量多一些 ，這裏將上述賽事的資格賽也算上了 。
p4 國際性足球比賽target_tournament = [UEFA Nations League, UEFA Euro qualification, UEFA Euro, Oceania Nations Cup qualification,Oceania Nations Cup, Gold Cup qualification, Gold Cup, FIFA World Cup qualification,FIFA World Cup, Copa América, CONIFA European Football Cup, CONIFA Africa Football Cup,Confederations Cup, CONCACAF Nations League qualification, CONCACAF Nations League,African Cup of Nations qualification, African Cup of Nations, AFC Asian Cup qualification, AFC Asian Cup]df_target = df.loc[df.tournament.isin(target_tournament)]之前的思路是先取2018年俄羅斯世界杯（2018-6-14）之前的數據訓練模型 ，對俄羅斯世界杯小組賽的參賽隊伍進行預測 ，然後預測結果與實際的結果進行對比 ，驗證模型的準確性 ，故這裏先篩選了2018-6-14之前的數據，並將無關特征去掉，僅留下主客隊名稱 、主客隊進球數及日期（日期留下的原因是後麵想預測2022年卡特爾世界杯小組賽時把2018年之後的數據導入進來 ，但因為懶 ，後麵直接用2018-6-14之前的數據了 。）
df_target = df_target.loc[df_target.date < 2018-6-14]df_target = df_target.drop([tournament, city, country, neutral], axis=1)好了 ，數據選好了 ，共有17749條數據，均無缺失值 ，主客隊進球數均為浮點型 ，沒有其他問題 。
2-特征構造
利用現有的四個特征構造更多的特征：每場比賽的結果(result) 、主隊參賽次數(home_times)、客隊參賽次數(away_times) 、主隊勝利次數(home_win)、客隊勝利次數(away_win) 、主隊勝率(home_rate_of_win) 、客隊勝率(away_rate_of_win) 、主隊總進球數(home_goal)、客隊總進球數(away_goal) 、主隊場均進球(home_avg_goal) 、客隊場均進球(away_avg_goal) 。同時約定每場比賽的結果(result)，主隊勝置為1 ，客隊勝置為2 ，平局置為0 。特征構造代碼如下 ：
# 每場比賽的結果(result)df_target[result] = df_target.apply(lambda x: 1 if x[home_score] > x[away_score] else 2 if x[home_score] < x[away_score] else 0,axis=1)# 主隊參賽次數(home_times) 、客隊參賽次數(away_times):將主客隊累計參賽數傳入字典，並通過apply()獲取字典key值對應的valuehome_times_dict = df_target[home_team].value_counts().to_dict()away_times_dict = df_target[away_team].value_counts().to_dict()sum_times_dict = sum_dict(home_times_dict,away_times_dict)df_target[home_times] = df_target[home_team].apply(lambda x: sum_times_dict[x])df_target[away_times] = df_target[away_team].apply(lambda x: sum_times_dict[x])# 主隊勝利次數(home_win) 、客隊勝利次數(away_win)同上home_win_dict = df_target.loc[df_target.result == 1,home_team].value_counts().to_dict()away_win_dict = df_target.loc[df_target.result == 2,away_team].value_counts().to_dict()sum_win_dict = sum_dict(home_win_dict,away_win_dict)df_target[home_win] = df_target.apply(lambda x: sum_win_dict[x[home_team]] if x[home_team] in sum_win_dict.keys() else 0,axis=1)df_target[away_win] = df_target.apply(lambda x: sum_win_dict[x[away_team]] if x[away_team] in sum_win_dict.keys() else 0,axis=1)# 主隊勝率(home_rate_of_win) 、客隊勝率(away_rate_of_win)直接計算df_target[home_rate_of_win] = df_target.apply(lambda x: x[home_win] / x[home_times],axis=1)df_target[away_rate_of_win] = df_target.apply(lambda x: x[away_win] / x[away_times],axis=1)# 主隊總進球數(home_goal) 、客隊總進球數(away_goal) 、主隊場均進球(home_avg_goal)、客隊場均進球(away_avg_goal):先算總進球數 ，再直接計算算場均進球數home_goal_dict = df_target[[home_team,home_score]].groupby(home_team).sum().to_dict()[home_score]away_goal_dict = df_target[[away_team, away_score]].groupby(away_team).sum().to_dict()[away_score]sum_goal_dict = sum_dict(home_goal_dict,away_goal_dict)df_target[home_goal] = df_target[home_team].apply(lambda x: sum_goal_dict[x])df_target[away_goal] = df_target[away_team].apply(lambda x: sum_goal_dict[x])df_target[home_avg_goal] = df_target.apply(lambda x: x[home_goal] / x[home_times],axis=1)df_target[away_avg_goal] = df_target.apply(lambda x: x[away_goal] / x[away_times], axis=1)順便提一下 ，特征構造的時候 ，有多次用到字典數據計算的地方 ，所以定義了一個計算字典的函數 ：
def sum_dict(dict1, dict2):temp = dict()for key in dict1.keys() | dict2.keys():temp[key] = sum([d.get(key, 0) for d in (dict1, dict2)])return temp至此 ，特征構造完畢 ，共有包含日期在內的16個特征，所有數據都存放在名為df_target的DateFrame中。
p5 名為df_target的DateFrame3-數據預處理
除日期 、主客隊名稱 、及比賽結果外 ，其餘特征均標準化，此處用的標準分數的方法 ，也可以使用其他無量綱化的方法 。
標準分數（z-score）是一個分數與平均數的差再除以標準差的過程 ，用公式表示為 ：z=(x-μ)/σ 。其中x為某一具體分數 ，μ為平均數 ，σ為標準差 。
df_feature = df_target.drop([date,home_team,away_team,result],axis=1)df_normalizing = (df_feature - df_feature.mean()) / (df_feature.std())標準化後的數據與主客隊名稱及結果(result)連接起來 ，作為機器學習的數據集 。
data_set = pd.concat([df_target[[home_team, away_team]],df_normalizing,df_target[result]],axis=1)data_set = data_set.reset_index(drop=True)這裏沒有定性或者離散型的數據 ，所以不用進行啞編碼或者獨熱編碼 。
至此，數據清洗及特征工程基本完成，這裏我先保存到csv文件中，同時筆者還保存了一份沒有帶主客隊名稱的數據集
data_set.to_csv(data_set_with_team_name.csv,encoding=utf-8,index=False)1-劃分訓練集 、測試集
導入機器學習涉及到的包 ，及上一步保存的數據集 ：
from sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import mean_absolute_error, accuracy_score, f1_score, precision_score, recall_scorefrom sklearn import svmfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.neural_network import MLPClassifierfrom sklearn.tree import DecisionTreeClassifierdata_set = pd.read_csv(data_set.csv)調用train_test_split()方法 ，劃分訓練集和測試集 ，其中home_score 、away_score為結果導向的特征 ，不作為機器學習的特征訓練 。
X = data_set.drop([result,home_score,away_score],axis=1) # 模型改進3中，減少特征home_goal及away_goal準確率會稍微高一點y = data_set[result]X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=7)其中X_train為訓練特征 ，y_train為訓練目標 ，X_test為測試特征 ，y_test為測試目標，test_size為測試集的占比 ，此處取30%；random_state為隨機數種子 ，隻要不為0或者空即可 。
2-模型訓練
開始模型訓練 ，此處使用邏輯回歸算法、支持向量機算法 、隨機森林算法 、神經網絡算法、決策樹算法進行模型訓練 ，代碼如下 ：
# 調用邏輯回歸算法print("=====邏輯回歸算法=====")logreg = LogisticRegression(C=1,solver=liblinear,multi_class =auto)logreg.fit(X_train, y_train)score_log = logreg.score(X_train, y_train)score2_log = logreg.score(X_test, y_test)y_log_pred = logreg.predict(X_test)print("訓練集精度: ", %.3f % score_log)print("測試集精度: ", %.3f % score2_log)print("平均絕對誤差: ",mean_absolute_error(y_test,y_log_pred))# print(Precision: %.3f % precision_score(y_test, y_log_pred))# print(Recall: %.3f % recall_score(y_test, y_log_pred))# print(Accuracy: %.3f % accuracy_score(y_test, y_log_pred))# print(F1 Score: %.3f % f1_score(y_test, y_log_pred))# 調用SVM支持向量機算法print("=====SVM支持向量機=====")clf = svm.SVC(C=0.1, kernel=linear, decision_function_shape=ovr)clf.fit(X_train, y_train)score_svm = clf.score(X_train, y_train)score2_svm = clf.score(X_test, y_test)y_svm_pred = clf.predict(X_test)print("訓練集精度: ", %.3f % score_svm)print("測試集精度: ", %.3f % score2_svm)print("平均絕對誤差: ",mean_absolute_error(y_test,y_svm_pred))# print(Precision: %.3f % precision_score(y_test, y_svm_pred))# print(Recall: %.3f % recall_score(y_test, y_svm_pred))# print(Accuracy: %.3f % accuracy_score(y_test, y_svm_pred))# print(F1 Score: %.3f % f1_score(y_test, y_svm_pred))# 調用隨機森林算法print("=====隨機森林算法=====")rf = RandomForestClassifier(max_depth=20,n_estimators=1000,random_state=0)rf.fit(X_train, y_train)score_rf = rf.score(X_train, y_train)score2_rf = rf.score(X_test, y_test)y_rf_pred = rf.predict(X_test)print("訓練集精度: ", %.3f % score_rf)print("測試集精度: ", %.3f % score2_rf)print("平均絕對誤差: ",mean_absolute_error(y_test,y_rf_pred))# print(Precision: %.3f % precision_score(y_test, y_rf_pred))# print(Recall: %.3f % recall_score(y_test, y_rf_pred))# print(Accuracy: %.3f % accuracy_score(y_test, y_rf_pred))# print(F1 Score: %.3f % f1_score(y_test, y_rf_pred))# 調用神經網絡算法print("=====神經網絡算法=====")mlp = MLPClassifier(hidden_layer_sizes=10,max_iter=1000)mlp.fit(X_train, y_train)score_mlp = mlp.score(X_train, y_train)score2_mlp = mlp.score(X_test, y_test)y_mlp_pred = mlp.predict(X_test)print("訓練集精度: ", %.3f % score_mlp)print("測試集精度: ", %.3f % score2_mlp)print("平均絕對誤差: ",mean_absolute_error(y_test,y_mlp_pred))# print(Precision: %.3f % precision_score(y_test, y_mlp_pred))# print(Recall: %.3f % recall_score(y_test, y_mlp_pred))# print(Accuracy: %.3f % accuracy_score(y_test, y_mlp_pred))# print(F1 Score: %.3f % f1_score(y_test, y_mlp_pred))# 調用決策樹算法print("=====決策樹算法=====")tree=DecisionTreeClassifier(max_depth=50,random_state=0)tree.fit(X_train, y_train)score_tree = tree.score(X_train, y_train)score2_tree = tree.score(X_test, y_test)y_tree_pred = tree.predict(X_test)print("訓練集精度: ", %.3f % score_tree)print("測試集精度: ", %.3f % score2_tree)print("平均絕對誤差: ",mean_absolute_error(y_test,y_tree_pred))# print(Precision: %.3f % precision_score(y_test, y_tree_pred))# print(Recall: %.3f % recall_score(y_test, y_tree_pred))# print(Accuracy: %.3f % accuracy_score(y_test, y_tree_pred))# print(F1 Score: %.3f % f1_score(y_test, y_tree_pred))模型訓練結果如下 ：
"D:\00python logLLL\python.exe" D:/案例/FIFA/機器學習.py=====邏輯回歸算法=====訓練集精度: 0.619測試集精度: 0.614平均絕對誤差: 0.45746774546249724=====SVM支持向量機=====訓練集精度: 0.617測試集精度: 0.614平均絕對誤差: 0.45724907063197023=====隨機森林算法=====訓練集精度: 0.785測試集精度: 0.550平均絕對誤差: 0.5650557620817844=====神經網絡算法=====訓練集精度: 0.619測試集精度: 0.614平均絕對誤差: 0.4614038924119834=====決策樹算法=====訓練集精度: 0.785測試集精度: 0.506平均絕對誤差: 0.6260660397988191進程已結束,退出代碼0四種算法精度僅為六成左右 ，平均絕對誤差都五成左右 ，說明模型是不好的 ，隻因於這裏所用到邏輯回歸算法、支持向量機算法 、隨機森林算法 、神經網絡算法 、決策樹算法均為典型的二分類算法 ，筆者此前在構造特征的時候，比賽結果為三種情況——勝 、平 、負 ，有三個分類 。
df_target[result] = df_target.apply(lambda x: 1 if x[home_score] > x[away_score] else 2 if x[home_score] < x[away_score] else 0,axis=1)重新檢查數據源 ，發現平局的數據有3265條 ，占比21% ：
p6 機器學習數據集平局的數據占比挺多的，直接去掉肯定會影響模型 ，但是由於時間關係 ，同時考慮到世界杯僅在小組賽中允許平局 ，進入淘汰賽後隻有勝負兩種結果 ，所以這裏筆者不得不先將平局的情況去掉 。
data_set = data_set.loc[data_set.result != 0]重新跑下模型，此時模型的結果為 ：
"D:\00python logLLL\python.exe" D:/案例/FIFA/機器學習.py=====邏輯回歸算法=====訓練集精度: 0.782測試集精度: 0.794平均絕對誤差: 0.20623434455886447Precision: 0.809Recall: 0.896Accuracy: 0.794F1 Score: 0.850=====SVM支持向量機=====訓練集精度: 0.783測試集精度: 0.790平均絕對誤差: 0.209852490954634Precision: 0.803Recall: 0.899Accuracy: 0.790F1 Score: 0.848=====隨機森林算法=====訓練集精度: 0.893測試集精度: 0.768平均絕對誤差: 0.23211800723629278Precision: 0.800Recall: 0.859Accuracy: 0.768F1 Score: 0.828=====神經網絡算法=====訓練集精度: 0.784測試集精度: 0.793平均絕對誤差: 0.20706930141942667Precision: 0.806Recall: 0.900Accuracy: 0.793F1 Score: 0.850=====決策樹算法=====訓練集精度: 0.893測試集精度: 0.739平均絕對誤差: 0.2607848594489285Precision: 0.772Recall: 0.852Accuracy: 0.739F1 Score: 0.810進程已結束,退出代碼0算法的精度有所提高 ，平均絕對誤差有所下降 ，但是在現實工作中 ，這種精度大多是不被接受的 ，但是鑒於本文的探索性質 ，此處將不再進行模型改良，直接在這幾種算法中選擇一種進行預測。其中Precision 、Recall 、Accuracy、F1 Score分別代表精確度 、召回率 、準確性 、F1分數 ，甭管，數值越大越牛逼 。
3-2022年卡塔爾世界杯小組賽預測
綜合對比了各項性能指標 ，筆者決定選用邏輯回歸算法進行預測 。
p7 世界杯小組賽分組首先讀取2022年卡塔爾世界杯小組賽的對陣情況及之前保存的數據集 ：
df_group_match_2022 = pd.read_csv(2022_World_Cup.csv)df_info = pd.read_csv(data_set_with_team_name.csv)在數據集data_set_with_team_name.csv中匹配32支小組賽隊伍的特征信息：
home_info_dict = df_info[[home_team,home_times,home_win,home_rate_of_win,home_goal,home_avg_goal]].groupby(home_team).mean().to_dict()away_info_dict = df_info[[away_team,away_times,away_win,away_rate_of_win,away_goal,away_avg_goal]].groupby(away_team).mean().to_dict()df_group_match_2022[home_times] = df_group_match_2022.apply(lambda x: home_info_dict[home_times][x[home_team]],axis=1)df_group_match_2022[away_times] = df_group_match_2022.apply(lambda x: away_info_dict[away_times][x[away_team]],axis=1)df_group_match_2022[home_win] = df_group_match_2022.apply(lambda x: home_info_dict[home_win][x[home_team]],axis=1)df_group_match_2022[away_win] = df_group_match_2022.apply(lambda x: away_info_dict[away_win][x[away_team]],axis=1)df_group_match_2022[home_rate_of_win] = df_group_match_2022.apply(lambda x: home_info_dict[home_rate_of_win][x[home_team]],axis=1)df_group_match_2022[away_rate_of_win] = df_group_match_2022.apply(lambda x: away_info_dict[away_rate_of_win][x[away_team]],axis=1)# df_group_match_2022[home_goal] = df_group_match_2022.apply(lambda x: home_info_dict[home_goal][x[home_team]],axis=1)# df_group_match_2022[away_goal] = df_group_match_2022.apply(lambda x: away_info_dict[away_goal][x[away_team]],axis=1)df_group_match_2022[home_avg_goal] = df_group_match_2022.apply(lambda x: home_info_dict[home_avg_goal][x[home_team]],axis=1)df_group_match_2022[away_avg_goal] = df_group_match_2022.apply(lambda x: away_info_dict[away_avg_goal][x[away_team]],axis=1)df_group_match_2022[result] = None調用訓練好的模型進行預測 ：
output_info = df_group_match_2022pred_set = df_group_match_2022.drop([match_index,主隊,客隊,home_team,away_team,result],axis=1)predictions = logreg.predict(pred_set)for i in range(48):print(====*==== + output_info.iloc[i, 0] + ====*====)print(output_info.iloc[i, 1] + Vs. + output_info.iloc[i, 2])if predictions[i] == 1:print(Winner: + output_info.iloc[i, 1])else:print(Winner: + output_info.iloc[i, 2])print(output_info.iloc[i, 1] + --勝出的可能性為: + %.3f % (logreg.predict_proba(pred_set)[i][0]))print(output_info.iloc[i, 2] + --勝出的可能性為: + %.3f % (logreg.predict_proba(pred_set)[i][1]))print(===========*============)print()輸出結果便是本文一開頭展示的預測結果啦 。
4-用模型去“預測”2018年俄羅斯世界杯小組賽
前文筆者說到 ，思路是先取2018年俄羅斯世界杯（2018-6-14）之前的數據訓練模型 ，對俄羅斯世界杯小組賽的參賽隊伍進行"預測" ，然後"預測"結果與實際的結果進行對比 ，驗證模型的準確性 ，再去預測2022年卡塔爾世界杯小組賽的結果 。但鑒於模型的局限性 ，數據的不完備性 ，特征選取等各方麵的原因 ，2018年俄羅斯世界杯小組賽“預測結果”與實際結果的正確率不是很高 ，所以本文僅為機器學習探索的思路 ，沒有嚴謹性及科學性所言 。這裏可以放下跑出來的結果(如下） ：
大概統計了一下 ，48場比賽 ，模型跑出來的結果成功了26場 ，成功率54%;但模型中是不考慮平局的 ，若將實際結果中的9場平局舍去，成功率66.7%
"D:\00python logLLL\python.exe" D:/案例/FIFA/改進3-減少特征.py=====邏輯回歸算法=====訓練集精度: 0.782測試集精度: 0.794平均絕對誤差: 0.20623434455886447Precision: 0.809Recall: 0.896Accuracy: 0.794F1 Score: 0.850Saudi Arabia Vs. RussiaWinner:Saudi ArabiaSaudi Arabia--勝出的可能性為:0.591Russia--勝出的可能性為:0.409=============Uruguay Vs. EgyptWinner:UruguayUruguay--勝出的可能性為:0.694Egypt--勝出的可能性為:0.306=============Iran Vs. MoroccoWinner:IranIran--勝出的可能性為:0.837Morocco--勝出的可能性為:0.163=============Portugal Vs. SpainWinner:PortugalPortugal--勝出的可能性為:0.574Spain--勝出的可能性為:0.426=============France Vs. AustraliaWinner:FranceFrance--勝出的可能性為:0.711Australia--勝出的可能性為:0.289=============Argentina Vs. IcelandWinner:ArgentinaArgentina--勝出的可能性為:0.968Iceland--勝出的可能性為:0.032=============Peru Vs. DenmarkWinner:PeruPeru--勝出的可能性為:0.521Denmark--勝出的可能性為:0.479============= Croatia Vs. NigeriaWinner:CroatiaCroatia--勝出的可能性為:0.763Nigeria--勝出的可能性為:0.237=============Costa Rica Vs. SerbiaWinner:Costa RicaCosta Rica--勝出的可能性為:0.675Serbia--勝出的可能性為:0.325=============Germany Vs. MexicoWinner:GermanyGermany--勝出的可能性為:0.803Mexico--勝出的可能性為:0.197=============Brazil Vs. SwitzerlandWinner:BrazilBrazil--勝出的可能性為:0.887Switzerland--勝出的可能性為:0.113=============Sweden Vs. South KoreaWinner:SwedenSweden--勝出的可能性為:0.680South Korea--勝出的可能性為:0.320=============Belgium Vs. PanamaWinner:BelgiumBelgium--勝出的可能性為:0.935Panama--勝出的可能性為:0.065=============England Vs. TunisiaWinner:EnglandEngland--勝出的可能性為:0.841Tunisia--勝出的可能性為:0.159=============Colombia Vs. JapanWinner:ColombiaColombia--勝出的可能性為:0.529Japan--勝出的可能性為:0.471=============Poland Vs. SenegalWinner:PolandPoland--勝出的可能性為:0.725Senegal--勝出的可能性為:0.275=============Egypt Vs. RussiaWinner:EgyptEgypt--勝出的可能性為:0.642Russia--勝出的可能性為:0.358=============Portugal Vs. MoroccoWinner:PortugalPortugal--勝出的可能性為:0.824Morocco--勝出的可能性為:0.176=============Uruguay Vs. Saudi ArabiaWinner:UruguayUruguay--勝出的可能性為:0.708Saudi Arabia--勝出的可能性為:0.292=============Spain Vs. IranWinner:SpainSpain--勝出的可能性為:0.733Iran--勝出的可能性為:0.267=============Denmark Vs. AustraliaWinner:DenmarkDenmark--勝出的可能性為:0.534Australia--勝出的可能性為:0.466=============France Vs. PeruWinner:FranceFrance--勝出的可能性為:0.904Peru--勝出的可能性為:0.096=============Argentina Vs. CroatiaWinner:ArgentinaArgentina--勝出的可能性為:0.754Croatia--勝出的可能性為:0.246=============Brazil Vs. Costa RicaWinner:BrazilBrazil--勝出的可能性為:0.884Costa Rica--勝出的可能性為:0.116=============Iceland Vs. NigeriaWinner:NigeriaIceland--勝出的可能性為:0.248Nigeria--勝出的可能性為:0.752=============Switzerland Vs. SerbiaWinner:SwitzerlandSwitzerland--勝出的可能性為:0.673Serbia--勝出的可能性為:0.327=============Belgium Vs. TunisiaWinner:BelgiumBelgium--勝出的可能性為:0.759Tunisia--勝出的可能性為:0.241=============Mexico Vs. South KoreaWinner:MexicoMexico--勝出的可能性為:0.709South Korea--勝出的可能性為:0.291=============Germany Vs. SwedenWinner:GermanyGermany--勝出的可能性為:0.836Sweden--勝出的可能性為:0.164=============England Vs. PanamaWinner:EnglandEngland--勝出的可能性為:0.961Panama--勝出的可能性為:0.039=============Senegal Vs. JapanWinner:SenegalSenegal--勝出的可能性為:0.564Japan--勝出的可能性為:0.436=============Poland Vs. ColombiaWinner:PolandPoland--勝出的可能性為:0.764Colombia--勝出的可能性為:0.236=============Uruguay Vs. RussiaWinner:UruguayUruguay--勝出的可能性為:0.637Russia--勝出的可能性為:0.363=============Egypt Vs. Saudi ArabiaWinner:EgyptEgypt--勝出的可能性為:0.713Saudi Arabia--勝出的可能性為:0.287=============Spain Vs. MoroccoWinner:SpainSpain--勝出的可能性為:0.879Morocco--勝出的可能性為:0.121=============Portugal Vs. IranWinner:PortugalPortugal--勝出的可能性為:0.638Iran--勝出的可能性為:0.362=============Peru Vs. AustraliaWinner:AustraliaPeru--勝出的可能性為:0.366Australia--勝出的可能性為:0.634=============France Vs. DenmarkWinner:FranceFrance--勝出的可能性為:0.823Denmark--勝出的可能性為:0.177=============Argentina Vs. NigeriaWinner:ArgentinaArgentina--勝出的可能性為:0.801Nigeria--勝出的可能性為:0.199=============Croatia Vs. IcelandWinner:CroatiaCroatia--勝出的可能性為:0.960Iceland--勝出的可能性為:0.040=============Germany Vs. South KoreaWinner:GermanyGermany--勝出的可能性為:0.834South Korea--勝出的可能性為:0.166=============Mexico Vs. SwedenWinner:MexicoMexico--勝出的可能性為:0.712Sweden--勝出的可能性為:0.288=============Brazil Vs. SerbiaWinner:BrazilBrazil--勝出的可能性為:0.879Serbia--勝出的可能性為:0.121=============Switzerland Vs. Costa RicaWinner:SwitzerlandSwitzerland--勝出的可能性為:0.683Costa Rica--勝出的可能性為:0.317=============Poland Vs. JapanWinner:PolandPoland--勝出的可能性為:0.581Japan--勝出的可能性為:0.419=============Colombia Vs. SenegalWinner:ColombiaColombia--勝出的可能性為:0.682Senegal--勝出的可能性為:0.318=============Tunisia Vs. PanamaWinner:TunisiaTunisia--勝出的可能性為:0.916Panama--勝出的可能性為:0.084=============Belgium Vs. EnglandWinner:BelgiumBelgium--勝出的可能性為:0.550England--勝出的可能性為:0.450=============進程已結束,退出代碼0您好 ！今天的內容《 大膽預測一下2022卡塔爾世界杯小組賽（世界杯2022世界杯時間）_世界杯 》 分享到這裏 ，想了解更多，請關注波盈體育 。您的關注是給小編最大的鼓勵 。免責聲明 ：文中圖片 、文字引用至網絡，版權歸原作者所有 ，如有問題請聯係刪除 ！
Tags ：(责任编辑：綜合)