oddsapi_ev
1.0.0
pip install oddsapi_ev
pandas numpy requests json datetime dateutil.parser pytz typing
تحصل الوحدة على احتمالات المراهنات الرياضية القادمة من The Odds API وتحسب القيمة المتوقعة (ev) لهذا الرهان فيما يتعلق بأحد معياري "الاحتمالات الحقيقية" أو كليهما. لمزيد من المعلومات حول المراهنة على EV، راجع هذا المنشور الغني بالمعلومات.
ev.py هذه هي الوحدة الوحيدة في الحزمة. أنه يحتوي على data() .
data() هذه هي الوظيفة الوحيدة في الوحدة ev.py .
المعلمات: راجع قسم معلمات data()
العوائد: الباندا DataFrame
data()كل معلمة اختيارية ولكل منها قيمة افتراضية. ومع ذلك، يجب تمرير api_key أو اسم الملف .
api_key ( str ) :
مفتاح Odds API صالح
اسم الملف ( str ):
اسم ملف JSON الذي يحتوي على بيانات بنفس تنسيق Odds API
يجب تمرير أي من api_key أو اسم الملف (يوصى بـ api_key ) وإلا فسيتم إنهاء الوظيفة!**
يتم تمرير المعلمات التالية إلى استدعاء واجهة برمجة التطبيقات (API) لتحديد أنواع الاحتمالات التي يتم سحبها والتأثير على عدد الطلبات التي يتم تحصيلها منك مقابل حصتك . عند تحميل ملف بدلاً من استدعاء واجهة برمجة التطبيقات (API)، سيتم استخدام كل ما يلي باستثناء regions لتصفية بيانات الملف. إذا تم تقديم إدخال غير صحيح لأي من معلمات واجهة برمجة التطبيقات، فسيتم إنهاء الوظيفة.
الرياضة ( list[str] ):
قائمة الرياضات التي سيتم تضمينها كما هو محدد بواسطة The Odds API
المناطق ( list[str] ):
قائمة مناطق الكتب الرياضية التي سيتم تضمينها. يجب أن تكون مجموعة فرعية من: ['us', 'eu', 'uk', 'au']
الأسواق ( list[str] ):
قائمة أسواق الرهان التي سيتم تضمينها. يجب أن تكون مجموعة فرعية من ['h2h', 'spreads', 'totals'] . لمزيد من المعلومات انظر هنا
تحدد هذه المعلمة نوع القيمة المتوقعة المراد استخدامها. هناك طريقتان لتحديد الاحتمالات العادلة للمركز، وبالتالي طريقتان لتحديد القيمة المتوقعة للرهان.
المتوسط: يحدد الاحتمالات العادلة للمركز كمتوسط لجميع الاحتمالات لهذا المركز عبر جميع الكتب الرياضية مع إزالة حافة الكتب الرياضية.
Pinnacle: يحدد الاحتمالات العادلة للمركز لتكون الاحتمالات التي يقدمها كتاب الألعاب الرياضية الحاد Pinnacle مع إزالة حافة الكتاب الرياضي.
إذا تم إدخال إدخال سيئ، فسيتم إنهاء الوظيفة.
ev_type ( str ):
طريقة (طرق) حساب القيمة المتوقعة التي سيتم استخدامها. يجب أن يكون واحدًا مما يلي: "متوسط" أو "قمة" أو "كلاهما"
يتم استخدام هذه المعلمات لتصفية الاحتمالات. إذا تم تقديم إدخال سيئ، فستستمر الوظيفة ولكنها لن تقوم بتصفية الاحتمالات بناءً على تلك القيمة.
موصى به ( bool ):
إذا كانت قيمة الموصى بها صحيحة، فسيتم تجاوز جميع قيم التصفية بالقيم الموصى بها للعثور على الرهانات الأكثر ربحية.
days_from_now ( int أو float ):
الحد الأقصى لعدد الأيام في المستقبل لإرجاع الاحتمالات
الكتب ( list[str] ):
قائمة الكتب الرياضية التي سيتم تضمينها في الاحتمالات. انظر هنا للحصول على مفاتيح الكتب الرياضية الصالحة.
min_odds ( int أو float ):
الحد الأدنى لخط الاحتمالات (بالتنسيق الأمريكي) للاحتمالات المرتجعة.
min_odds ( int أو float ):
الحد الأقصى لخط الاحتمالات (بالتنسيق الأمريكي) للاحتمالات المرتجعة.
إذا كانت min_odds > max_odds ، فستُرجع الدالة DataFrame فارغًا
max_width ( int أو float ):
الحد الأقصى لعرض الاحتمالات التي تم إرجاعها. (راجع حقول DataFrame المحسوبة لمزيد من المعلومات حول العرض)
max_vig_pct ( int أو float ):
الحد الأقصى لـ "القوة" أو "الحافة" في احتمالات كتاب الرياضة
min_ev_pct ( int أو float ):
الحد الأدنى من القيمة المتوقعة لنسبة الاحتمالات
min_num_books ( int أو float ):
الحد الأدنى لعدد الكتب الرياضية التي تعرض كل سطر
pref_ev_filter ( str ):
الطريقة المفضلة لحساب EV لتصفية القيم. يجب أن يكون واحدًا مما يلي: "avg" أو "pinnacle" أو "كلاهما" .
ملاحظة: لا يمكن أن يتعارض ev_type و pref_ev_filter مع بعضهما البعض (على سبيل المثال، إذا كان 'avg' هو ev_type ، فلا يمكن أن يكون 'pinnacle' هو pref_ev_filter . في هذا السيناريو، سيكون pref_ev_filter هو ev_type افتراضيًا).
يتم استخدام هذه المعلمات لفرز DataFrame
فرز ( str ):
القيمة التي سيتم فرز DataFrame عليها.
يجب أن يكون واحدًا مما يلي: 'commence_time' أو 'line' أو 'width' أو 'ev_pct' أو 'kelly_pct' أو 'default' .
يقوم "الافتراضي" بفرز DataFrame وفقًا لمجموعة افتراضية من الحقول.
تصاعدي ( bool ):
قم بفرز القيمة المختارة بترتيب تصاعدي عندما تكون صحيحة، وترتيب تنازلي عندما تكون خطأ
pref_ev_sort ( str ):
الطريقة المفضلة لحساب EV لفرز القيم. يجب أن يكون إما "متوسط" أو "قمة" (وليس "كلاهما" ).
ملاحظة: لا يمكن أن يتعارض كل من ev_type و pref_ev_sort مع بعضهما البعض (على سبيل المثال، إذا كان 'avg' هو ev_type ، فلا يمكن أن يكون 'pinnacle' هو pref_ev_sort . في هذا السيناريو، سيتم تعيين pref_ev_sort بشكل افتراضي إلى ev_type ).
تتحكم هذه المعلمة في ما إذا كان DataFrame الذي تم إرجاعه سيتضمن جميع حقول البيانات أو الحقول الأساسية فقط. الإعدادات الافتراضية إلى خطأ.
موسع ( bool ):
إذا كانت قيمة التوسيع صحيحة، فسيتم تضمين الحقول الإضافية في DataFrame الذي تم إرجاعه. العديد من هذه الحقول عبارة عن حقول متوسطة في حساب الحقول الأكثر أهمية.
إذا كانت قيمة التوسيع خطأ، فإن DataFrame يُرجع الحقول الأكثر أهمية فقط.
الافتراضي هو خطأ إذا لم يتم تحديده.
from oddsapi_ev import ev # get all of the most profitable bets odds1 = ev.data(api_key=YOURKEY, recommended=True) # get all odds from DraftKings, sorted by ev percentage with respect to the average odds odds2 = ev.data(api_key=YOURKEY, regions=['us'], ev_type='avg', books=['draftkings'], sortby='ev_pct', ascending=False, pref_ev_sort='avg') # get all head to head odds at eu book makers for UEFA champions league games with maximum odds of +110 and the ev calculated with respect to Pinnacle odds odds3 = ev.data(api_key=YOURKEY, sports=['soccer_uefa_champs_league'], regions=['eu'], markets=['h2h'], ev_type='pinnacle', min_odds=110, pref_ev_filter='pinnacle')
فيما يلي وصف للحقول الإضافية المحسوبة بواسطة data() (لا تشمل الحقول الموسعة) غير الموجودة في بيانات Odds API.
عدد_الكتب:
عدد الكتب الرياضية التي تحتوي على احتمالات منشورة للمركز المحدد. يعد هذا أمرًا مهمًا بالنسبة للحسابات التي يتم إجراؤها باستخدام القيم المتوسطة، حيث أنه كلما زاد عدد الكتب المساهمة في المتوسط، زادت موثوقيتها
خط_عادل:
هذا هو ما ستكون عليه احتمالات مركز معين إذا تمت إزالة "القوة" أو "الحافة" التي تبنيها الكتب الرياضية في احتمالات ضمان الربح
وهي تشير إلى ما هي الفرص الفعلية للنتيجة وفقا للكتاب الرياضي
عرض:
العدد الإجمالي للنقاط، احتمالات كلا جانبي السوق أقل من الاحتمالات العادلة (+100/-100)
على سبيل المثال، إذا كان وجهان للسوق هما +105 و-125، فسيكون العرض 20 حيث أن -125 هو 25 أدناه و+105 هو 5 أعلاه، وبالتالي سيكون الرقم الصافي 20.
اقرأ المزيد هنا
vig_pct:
الفرق بالنسبة المئوية بين نسبة الفوز الضمنية لمجموعة معينة من الاحتمالات في كتاب رياضي يحتوي على "vig" أو "edge" ونسبة الفوز لنفس مجموعة الاحتمالات في نفس كتاب الرياضة مع أخذ vig للعثور عليها نسبة الفوز العادلة. إنه مقياس لمدى عدم عدالة الاحتمالات.
ev_pct:
النسبة المئوية للقيمة المتوقعة (ev) هي النسبة المئوية للفرق بين نسبة الفوز الضمنية لمركز معين في بعض الكتب الرياضية قبل إزالة الفعالية ونسبة الفوز الضمنية لنفس المركز في كتاب رياضي أكثر دقة (مثل Pinnacle) أو متوسط من الكتب الرياضية المتعددة بعد إزالة الرسالة.
وببساطة أكثر، فهو يمثل الفرق بين الاحتمالات التي تراهن بها والفرصة الحقيقية للفوز بالرهان.
معظم الرهانات سيكون لها نسب سلبية. القلة ذات النسب الإيجابية هي الرهانات المربحة.
اقرأ المزيد هنا
كيلي_pct:
النسبة المئوية المثلى إحصائيًا لرصيدك للمراهنة بناءً على نسبة EV والاحتمال العام للفوز.
