✨ Add bugs lol xd ptdr ratio axel

README.md

@@ -36,9 +36,45 @@ Actuellement à l'UFC, nous possédons 4 dans le top 15 mondial de l'UFC.
 
 [Benoit Saint Denis](https://www.ufc.com/athlete/mariya-agapova-0) - Top 12 dans la catégorie Poids Léger Homme, il est en série de 3 victoires très impréssionantes et va combattre début avril contre le Top 3 [Dustin Poirier](https://www.ufc.com/athlete/dustin-poirier) qui est une légende du MMA
 
-# Que retenir du dataset ?
+## Que retenir du dataset ?
 
+Le dataset contient 140 colonnes, il faut donc trier afin de récupérer seulement les informations importantes
 
+**B_avg_BODY_landed** : Nombre moyen de coups au corps réussis par le combattant du coin bleu
+
+**B_avg_HEAD_landed** : Nombre moyen de coups à la tête réussis par le combattant du coin bleu
+
+**B_avg_TD_att** : Nombre moyen de tentatives de takedown par le combattant du coin bleu
+
+**B_avg_TOTAL_STR_landed** : Nombre moyen total de coups réussis par le combattant du coin bleu
+
+**B_avg_opp_BODY_att** : Nombre moyen de tentatives de coups au corps par les adversaires contre le combattant du coin bleu
+
+**B_avg_opp_HEAD_landed** : Nombre moyen de coups à la tête réussis par les adversaires contre le combattant du coin bleu
+
+**B_avg_opp_LEG_landed** : Nombre moyen de coups à la jambe réussis par les adversaires contre le combattant du coin bleu
+
+**B_avg_opp_SIG_STR_att** : Nombre moyen de tentatives de coups significatifs par les adversaires contre le combattant du coin bleu
+
+**B_avg_opp_TOTAL_STR_att** : Nombre moyen total de tentatives de coups par les adversaires contre le combattant du coin bleu
+
+**R_avg_TD_att** : Nombre moyen de tentatives de takedown par le combattant du coin rouge
+
+**R_avg_opp_GROUND_att** : Nombre moyen de tentatives de coups au sol par les adversaires contre le combattant du coin rouge
+
+**R_avg_opp_SIG_STR_landed** : Nombre moyen de coups significatifs réussis par les adversaires contre le combattant du coin rouge
+
+**B_age** : Âge du combattant du coin bleu
+
+**R_age** : Âge du combattant du coin rouge
+
+# Comment lancer le projet ?
+
+Pour lancer le projet, il faut simple exécuter la commande : python3 server.py.
+
+Par contre le model met un peu de temps à charger, 2 minutes environs.
+
+Ensuite, une interface web est disponible à l'adresse http://127.0.0.1:5000/ .
 
 # LISTE DES VISUALISATIONS A PREVOIR
 
@@ -54,6 +90,3 @@ Actuellement à l'UFC, nous possédons 4 dans le top 15 mondial de l'UFC.
 
 **Variation des performances avec l'âge** : Vérifier s'il existe une corrélation entre l'âge des combattants et leur succès dans l'UFC
 
-![LE DARON À ZAK](https://upload.wikimedia.org/wikipedia/commons/e/ec/Dana_White_-_London_2015_%28cropped%29.jpg)
-
-# DANA CACA WHITE

server.py

@@ -4,6 +4,11 @@ from test import *  # Assurez-vous d'avoir un fichier predict.py avec votre fonc
 
 app = Flask(__name__)
 
+colonnes = ['B_fighter','R_fighter','title_bout','B_avg_BODY_landed', 'B_avg_HEAD_landed', 'B_avg_TD_att', 'B_avg_TOTAL_STR_landed', 
+                   'B_avg_opp_BODY_att', 'B_avg_opp_HEAD_landed', 'B_avg_opp_LEG_landed', 
+                   'B_avg_opp_SIG_STR_att', 'B_avg_opp_TOTAL_STR_att', 'R_avg_TD_att', 'R_avg_opp_GROUND_att', 
+                   'R_avg_opp_SIG_STR_landed', 'B_age', 'R_age','date','Winner','weight_class','B_Stance','R_Stance']
+
 # Charger le DataFrame une seule fois pour économiser des ressources
 df = pd.read_csv('archive/data.csv')  # Assurez-vous de spécifier le bon chemin vers votre fichier de données
 
@@ -65,6 +70,8 @@ sns.heatmap(corr_matrix, annot=True)
 # Last year when data fight was not full and correct
 fighters = list_fighters(df,'2015-01-01')
 
+df = df[colonnes]
+
 # Get all fight of every fighters
 df_train = build_df_all_but_last(df, fighters)
 

test.py

@@ -74,6 +74,7 @@ def build_df(df, fighters, i):
     
 def build_df_all_but_last(df, fighters):    
     cols = [col for col in df] 
+    print(len(cols))
     df_fights=pd.DataFrame(columns=cols)
     for f in range(len(fighters)):
         i=0
@@ -96,45 +97,50 @@ def build_df_all_but_last(df, fighters):
     return df_fights
 
 def predict(df, pipeline, blue_fighter, red_fighter, weightclass, rounds, title_bout=False): 
-    try:
-        #We build two dataframes, one for each figther 
-        f1 = df[(df['R_fighter'] == blue_fighter) | (df['B_fighter'] == blue_fighter)].copy()
-        f1.reset_index(drop=True, inplace=True)
-        f1 = f1[:1]
-        f2 = df[(df['R_fighter'] == red_fighter) | (df['B_fighter'] == red_fighter)].copy()
-        f2.reset_index(drop=True, inplace=True)
-        f2 = f2[:1]
-
-        # if the fighter was red/blue corner on his last fight, we filter columns to only keep his statistics (and not the other fighter)
-        # then we rename columns according to the color of  the corner in the parameters using re.sub()
-        if (f1.loc[0, ['R_fighter']].values[0]) == blue_fighter:
-            result1 = f1.filter(regex='^R', axis=1).copy() #here we keep the red corner stats
-            result1.rename(columns = lambda x: re.sub('^R','B', x), inplace=True)  #we rename it with "B_" prefix because he's in the blue_corner
-        else: 
-            result1 = f1.filter(regex='^B', axis=1).copy()
-        if (f2.loc[0, ['R_fighter']].values[0]) == red_fighter:
-            result2 = f2.filter(regex='^R', axis=1).copy()
-        else:
-            result2 = f2.filter(regex='^B', axis=1).copy()
-            result2.rename(columns = lambda x: re.sub('^B','R', x), inplace=True)
-        
-        fight = pd.concat([result1, result2], axis = 1) # we concatenate the red and blue fighter dataframes (in columns)
-        fight.drop(['R_fighter','B_fighter'], axis = 1, inplace = True) # we remove fighter names
-        fight.insert(0, 'title_bout', title_bout) # we add tittle_bout, weight class and number of rounds data to the dataframe
-        fight.insert(1, 'weight_class', weightclass)
-        fight.insert(2, 'no_of_rounds', rounds)
-        fight['title_bout'] = fight['title_bout'].map({True: 1, False: 0})
-        
-        pred = pipeline.predict(fight)
-        proba = pipeline.predict_proba(fight)
-        if (pred == 1.0): 
-            print("The predicted winner is", red_fighter, 'with a probability of', round(proba[0][1] * 100, 2), "%")
-        else:
-            print("The predicted winner is", blue_fighter, 'with a probability of ', round(proba[0][0] * 100, 2), "%")
-        return proba
-    except:
-        print("One of fighter doesn't exist in the dataframe")
-        return
+    #We build two dataframes, one for each figther 
+    f1 = df[(df['R_fighter'] == blue_fighter) | (df['B_fighter'] == blue_fighter)].copy()
+    f1.reset_index(drop=True, inplace=True)
+    f1 = f1[:1]
+    f2 = df[(df['R_fighter'] == red_fighter) | (df['B_fighter'] == red_fighter)].copy()
+    f2.reset_index(drop=True, inplace=True)
+    f2 = f2[:1]
+
+    print("OK 1")
+
+    # if the fighter was red/blue corner on his last fight, we filter columns to only keep his statistics (and not the other fighter)
+    # then we rename columns according to the color of  the corner in the parameters using re.sub()
+    if (f1.loc[0, ['R_fighter']].values[0]) == blue_fighter:
+        result1 = f1.filter(regex='^R', axis=1).copy() #here we keep the red corner stats
+        result1.rename(columns = lambda x: re.sub('^R','B', x), inplace=True)  #we rename it with "B_" prefix because he's in the blue_corner
+    else: 
+        result1 = f1.filter(regex='^B', axis=1).copy()
+    if (f2.loc[0, ['R_fighter']].values[0]) == red_fighter:
+        result2 = f2.filter(regex='^R', axis=1).copy()
+    else:
+        result2 = f2.filter(regex='^B', axis=1).copy()
+        result2.rename(columns = lambda x: re.sub('^B','R', x), inplace=True)
+    
+    print("OK 2")
+
+    fight = pd.concat([result1, result2], axis = 1) # we concatenate the red and blue fighter dataframes (in columns)
+    fight.drop(['R_fighter','B_fighter'], axis = 1, inplace = True) # we remove fighter names
+    fight.insert(0, 'title_bout', title_bout) # we add tittle_bout, weight class and number of rounds data to the dataframe
+    fight.insert(1, 'weight_class', weightclass)
+    fight.insert(2, 'no_of_rounds', rounds)
+    fight['title_bout'] = fight['title_bout'].map({True: 1, False: 0})
+    
+    print("OK 3")
+
+    pred = pipeline.predict(fight)
+    proba = pipeline.predict_proba(fight)
+
+    print("OK 4")
+
+    if (pred == 1.0): 
+        print("The predicted winner is", red_fighter, 'with a probability of', round(proba[0][1] * 100, 2), "%")
+    else:
+        print("The predicted winner is", blue_fighter, 'with a probability of ', round(proba[0][0] * 100, 2), "%")
+    return proba
 
 
 #predict(df, model, 'Kamaru Usman', 'Colby Covington', 'Welterweight', 3, True)