"""
Created on Fri Dec 1 13:56:11 2023
"""
import numpy as np
def calculer_correlation_noms_equipes(classement_A, classement_B, numeros_B):
# Vérifier que les deux classements ont la même longueur
if len(classement_A) != len(classement_B):
raise ValueError("Les deux classements n'ont pas la même longueur.")
# Créer un dictionnaire associant chaque nom d'équipe à un numéro unique
def creer_classement_equipes(noms_equipes):
classement_equipes = {}
for numero, nom_equipe in enumerate(noms_equipes, start=1):
classement_equipes[numero] = nom_equipe
return classement_equipes
# Créer des classements (dictionnaires) pour chaque liste de noms d'équipes
classement_A_dict = creer_classement_equipes(classement_A)
classement_B_dict = creer_classement_equipes(classement_B)
# Vérifier que les deux classements contiennent les mêmes équipes
if set(classement_A) != set(classement_B):
raise ValueError("Les deux classements ne contiennent pas les mêmes équipes.")
# Créer des listes ordonnées des numéros d'équipes pour chaque classement
numeros_A = [numero for numero, _ in sorted(classement_A_dict.items())]
#print(numeros_A)
#numeros_B = [numero for numero, _ in sorted(classement_B_dict.items())]
#print(numeros_B)
# Calculer la corrélation entre les numéros d'équipes
correlation = np.corrcoef(numeros_A, numeros_B)[0, 1]
return correlation
# Exemple d'utilisation
#classement_A = ["Équipe A", "Équipe B", "Équipe C", "Équipe D", "Équipe E"]
#classement_B = ["Équipe D", "Équipe C", "Équipe B", "Équipe A", "Équipe E"]
classement_A= ["ST", "LR", "LOU", "SF", "R92", "UBB", "RCT", "AB", "CO", "ASM", "MHR", "SP", "USAP", "CAB"]
classement_B = ["R92", "LOU", "ST", "LR", "MHR", "SF", "AB", "SP", "ASM", "RCT", "UBB", "CO", "USAP", "CAB"]
numeros_B = [3, 4, 2, 6, 1, 11, 10, 7, 12, 9, 5, 8, 13, 14]
correlation_attaque = calculer_correlation_noms_equipes(classement_A, classement_B, numeros_B)
print("correlataion attaque =",correlation_attaque )
numeros_B = [1, 2, 7, 3, 12, 4, 5, 11, 10, 8, 6, 9, 13, 14]
correlation_defense = calculer_correlation_noms_equipes(classement_A, classement_B, numeros_B)
print("correlataion defense =",correlation_defense )
numeros_B = [3, 1, 4, 2, 9, 11, 8, 14, 13, 5, 6, 12, 10, 7]
correlation_possesion = calculer_correlation_noms_equipes(classement_A, classement_B, numeros_B)
print("correlataion possession =",correlation_possesion )
numeros_B = [3, 2, 11, 4, 5, 7, 6, 9, 10, 1, 8, 12, 14, 13]
correlation_occupation = calculer_correlation_noms_equipes(classement_A, classement_B, numeros_B)
print("correlataion occupation =",correlation_occupation )
numeros_B = [9, 5, 6, 11, 13, 10, 1, 12, 14, 2, 7, 8, 4, 3 ]
correlation_discipline = calculer_correlation_noms_equipes(classement_A, classement_B, numeros_B)
print("correlataion discipline=",correlation_discipline )
numeros_B = [2, 9, 3, 4, 5, 13, 5, 1, 7, 10, 8, 12, 11, 14 ]
correlation_grattage = calculer_correlation_noms_equipes(classement_A, classement_B, numeros_B)
print("correlataion grattage=",correlation_grattage )
nombre_domaines = 6
nombre_equipes = 14
# Générer des données aléatoires (à remplacer par vos données réelles)
classements_domaine = np.random.randint(1, 14, size=(nombre_equipes, nombre_domaines))
#TOULOUSE
classements_domaine[0] = [4, 6, 3, 11,12,7]
#LA ROCHELLE
classements_domaine[1] = [12, 4, 1, 1,14,4]
#LOU
classements_domaine[2] = [5, 13, 13, 13,6,6]
#SF
classements_domaine[3] = [10, 3, 8, 5,5,10]
#R92
classements_domaine[4] = [3, 1, 5, 4,11,3]
#UBB
classements_domaine[5] = [8, 7, 11, 6,13,5]
#RCT
classements_domaine[6] = [1, 5, 6, 10,1,1]
#AB
classements_domaine[7] = [13, 9, 10, 2,9,13]
#CO
classements_domaine[8] = [2, 8, 12, 12,8,12]
#ASM
classements_domaine[9] = [7, 11, 2, 3,2,8]
#MHR
classements_domaine[10] = [14, 10, 4, 9,10,9]
#SP
classements_domaine[11] = [6, 2, 7, 8,7,2]
#USAP
classements_domaine[12] = [11, 14, 9, 14,3,11]
#OYO
classements_domaine[13] = [9, 12, 14, 7,4,14]
# Normaliser les classements dans chaque domaine
classements_normalises = 1 + ( classements_domaine)
# Définir des poids pour chaque domaine (à ajuster selon votre contexte)
poids_domaines = np.array([correlation_attaque,correlation_defense,correlation_possesion,correlation_occupation,correlation_grattage, correlation_discipline ])
for i in range(0, len(poids_domaines)):
if poids_domaines
<0:
poids_domaines = poids_domaines
elif poids_domaines<0.7:
#poids_domaines = 1 - poids_domaines
poids_domaines = 1.0
else :
poids_domaines = 1 + poids_domaines
#poids_domaines = 1.5
# Calculer les classements pondérés
classements_pondere = np.sum(classements_normalises * poids_domaines, axis=1)
# Trier les équipes en fonction des classements pondérés pour obtenir le classement global projeté
classement_projet = np.argsort(classements_pondere) + 1
classement_A= ["ST", "LR", "LOU", "SF", "R92", "UBB", "RCT", "AB", "CO", "ASM", "MHR", "SP", "USAP", "OYO"]
# Afficher le classement global projeté
print("Classement global projeté :")
i = 0
for equipe, classement in enumerate(classement_projet):
print(classement_A + " = " + str(classement_projet))
#print(f" Classement projeté = {classement}")
i = i + 1
J'ai écrit ce code aujourd'hui si cela intéresse quelqu'un. Il suffit de le copier et de le coller dans un éditeur python où python en ligne ( https://www.codabrainy.com/python-compiler/#google_vignette ), puis de cliquer sur Run
