正好手上有這些資料辑舷∮骼纾可以提供一些思路。

本文章為技術(shù)貼何缓，討論如何使用人工智能機(jī)器學(xué)習(xí)統(tǒng)計(jì)數(shù)據(jù)并進(jìn)行分析肢础，無任何導(dǎo)向。請(qǐng)大家理性看待碌廓。請(qǐng)多多支持公益事業(yè)传轰。

1 準(zhǔn)備數(shù)據(jù)

以下是我采集的2024年全年的3D球的數(shù)據(jù)，包括每期的銷售總額和三個(gè)數(shù)字芳绩。

2024年一共是352期墓造。

接下來瘪贱，我們使用Python代碼分析一下規(guī)律。

代碼如下：

import pandas as pd  
import matplotlib.pyplot as plt 
import matplotlib as mpl

mpl.rcParams['font.family']='simhei'
df = pd.read_csv('3d_2024.csv')

# 轉(zhuǎn)換 draw_date 為日期格式  
df['draw_date'] = pd.to_datetime(df['draw_date'])  
# display(df)
# 設(shè)置圖形大小  
plt.figure(figsize=(12, 80))  # 你可以根據(jù)需要調(diào)整大小  

# 創(chuàng)建每個(gè)數(shù)字的趨勢(shì)圖  
# 繪制 One 的趨勢(shì)圖  
plt.subplot(1, 3, 1)  # 1行3列的第1個(gè)子圖  
plt.plot(df['one'], df.index  + 1, marker='o',c='r')  # 將Y軸的索引放大1.5倍  
plt.title('數(shù)字 百 的趨勢(shì)')  # 中文標(biāo)題  
plt.xlabel('數(shù)字')  # 中文 x 軸標(biāo)題  
plt.ylabel('期數(shù)')  # 中文 y 軸標(biāo)題  
plt.xticks(range(10))  # 設(shè)置 x 軸刻度為 0-9  
plt.yticks(df.index  + 1, df['draw_date'].dt.strftime('%Y-%m-%d'))  # 設(shè)置 y 軸為開獎(jiǎng)日期  

# 在點(diǎn)上方顯示數(shù)字  
for i in range(len(df)):  
    plt.text(df['one'][i], df.index[i]  + 1.1, str(df['one'][i]), ha='center', va='bottom')  

# 繪制 Two 的趨勢(shì)圖  
plt.subplot(1, 3, 2)  # 1行3列的第2個(gè)子圖  
plt.plot(df['two'], df.index  + 1, marker='o',c='g')  # 將Y軸的索引放大1.5倍  
plt.title('數(shù)字 十 的趨勢(shì)')  # 中文標(biāo)題  
plt.xlabel('數(shù)字')  # 中文 x 軸標(biāo)題  
plt.ylabel('期數(shù)')  # 中文 y 軸標(biāo)題  
plt.xticks(range(10))  # 設(shè)置 x 軸刻度為 0-9  
plt.yticks(df.index + 1, df['draw_date'].dt.strftime('%Y-%m-%d'))  # 設(shè)置 y 軸為開獎(jiǎng)日期  

# 在點(diǎn)上方顯示數(shù)字  
for i in range(len(df)):  
    plt.text(df['two'][i], df.index[i]  + 1.1, str(df['two'][i]), ha='center', va='bottom')  

# 繪制 Three 的趨勢(shì)圖  
plt.subplot(1, 3, 3)  # 1行3列的第3個(gè)子圖  
plt.plot(df['three'], df.index  + 1, marker='o')  # 將Y軸的索引放大  
plt.title('數(shù)字 個(gè) 的趨勢(shì)')  # 中文標(biāo)題  
plt.xlabel('數(shù)字')  # 中文 x 軸標(biāo)題  
plt.ylabel('期數(shù)')  # 中文 y 軸標(biāo)題  
plt.xticks(range(10))  # 設(shè)置 x 軸刻度為 0-9  
plt.yticks(df.index + 1, df['draw_date'].dt.strftime('%Y-%m-%d'))  # 設(shè)置 y 軸為開獎(jiǎng)日期  

# 在點(diǎn)上方顯示數(shù)字  
for i in range(len(df)):  
    plt.text(df['three'][i], df.index[i]  + 1.1, str(df['three'][i]), ha='center', va='bottom')  

plt.tight_layout()  # 自動(dòng)調(diào)整子圖間距  
# 保存圖片到指定路徑
plt.savefig('3D走勢(shì)圖.png')
plt.show()  # 顯示圖形  

看這個(gè)蛇形走位期贫，看起來有規(guī)律嗎？

就算全宇宙最牛逼的算法和算力也無法發(fā)現(xiàn)他的規(guī)律吧廷区。

2 統(tǒng)計(jì)規(guī)律

我們通過這352期的數(shù)字唯灵，找到個(gè)十百位的回歸曲線。

根據(jù)數(shù)字分布圖隙轻，可以發(fā)現(xiàn)埠帕，這條線就基本就是直線了，并且就著4,5,6之間的直線玖绿。

并且你會(huì)發(fā)現(xiàn)敛瓷，如果統(tǒng)計(jì)2004-2024年這10年的數(shù)據(jù)，這條曲線基本就會(huì)變成數(shù)字5左右的直線了斑匪。

數(shù)據(jù)量越大呐籽，越?jīng)]有規(guī)律了。

不過，我們可以試一下狡蝶，看看是否可以預(yù)測(cè)庶橱。

3 根據(jù)條件預(yù)測(cè)

預(yù)測(cè)的前提條件是這樣的。

根據(jù)2024年的歷史規(guī)律總結(jié)贪惹，尋找當(dāng)上一期出現(xiàn)的某個(gè)數(shù)字之后苏章，下一期會(huì)出現(xiàn)什么數(shù)字。

例如：2024351期奏瞬，2024-12-30,出現(xiàn)的數(shù)字是6,5,7枫绅，使用代碼總結(jié)一下，當(dāng)百位出現(xiàn)6的時(shí)候硼端，下一期最多會(huì)出現(xiàn)什么數(shù)字并淋，當(dāng)十位出現(xiàn)5時(shí)，下一期最多會(huì)出現(xiàn)什么數(shù)字珍昨，當(dāng)個(gè)位出現(xiàn)7時(shí)县耽，個(gè)位會(huì)出現(xiàn)什么數(shù)字。

接下來曼尊，我們根據(jù)代碼預(yù)測(cè)：

輸入：第2025026期的結(jié)果5,8,8酬诀，預(yù)測(cè)下一期的號(hào)碼

'''

@date 2024年11月20日
@author liandyao
dy號(hào): liandyao
'''
# 導(dǎo)入必要的庫
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 創(chuàng)建 DataFrame
df = pd.read_csv('3d_2024.csv')

# 將數(shù)據(jù)按期號(hào)進(jìn)行排序以確保順序
df.sort_values(by='issue', inplace=True)

# 創(chuàng)建特征: 使用過去的值作為輸入特征
# 假設(shè)有記錄過去幾期的數(shù)據(jù)
df['prev_one'] = df['one'].shift(1)
df['prev_two'] = df['two'].shift(1)
df['prev_three'] = df['three'].shift(1)

# 刪除缺失值
df.dropna(inplace=True)

# 提取特征和目標(biāo)
X = df[['prev_one', 'prev_two', 'prev_three']]
y_one = df['one']
y_two = df['two']
y_three = df['three']

# 數(shù)據(jù)分割
X_train, X_test, y_train_one, y_test_one = train_test_split(X, y_one, test_size=0.2, random_state=42)
X_train, X_test, y_train_two, y_test_two = train_test_split(X, y_two, test_size=0.2, random_state=42)
X_train, X_test, y_train_three, y_test_three = train_test_split(X, y_three, test_size=0.2, random_state=42)

# 構(gòu)建和訓(xùn)練模型
model_one = RandomForestClassifier()
model_one.fit(X_train, y_train_one)

model_two = RandomForestClassifier()
model_two.fit(X_train, y_train_two)

model_three = RandomForestClassifier()
model_three.fit(X_train, y_train_three)

# 預(yù)測(cè)
y_pred_one = model_one.predict(X_test)
y_pred_two = model_two.predict(X_test)
y_pred_three = model_three.predict(X_test)

# 評(píng)估模型
accuracy_one = accuracy_score(y_test_one, y_pred_one)
accuracy_two = accuracy_score(y_test_two, y_pred_two)
accuracy_three = accuracy_score(y_test_three, y_pred_three)

print(f"模型 'one' 的準(zhǔn)確率: {accuracy_one:.2f}")
print(f"模型 'two' 的準(zhǔn)確率: {accuracy_two:.2f}")
print(f"模型 'three' 的準(zhǔn)確率: {accuracy_three:.2f}")

# 輸入預(yù)測(cè)值（最后一行數(shù)據(jù)，預(yù)測(cè)未來的值）
input_data = [[5,8,8]]  # 使用數(shù)字進(jìn)行預(yù)測(cè)

predicted_one = model_one.predict(input_data)
predicted_two = model_two.predict(input_data)
predicted_three = model_three.predict(input_data)

print(f"預(yù)測(cè)下一期的數(shù)字 'one' 是: {predicted_one[0]}")
print(f"預(yù)測(cè)下一期的數(shù)字 'two' 是: {predicted_two[0]}")
print(f"預(yù)測(cè)下一期的數(shù)字 'three' 是: {predicted_three[0]}")

得到的結(jié)果：

模型 'one' 的準(zhǔn)確率: 0.08

模型 'two' 的準(zhǔn)確率: 0.10

模型 'three' 的準(zhǔn)確率: 0.11

上一期的數(shù)字： prev_one prev_two prev_three

0 5 8 8

預(yù)測(cè)下一期的數(shù)字 'one' 是: 1

預(yù)測(cè)下一期的數(shù)字 'two' 是: 0

預(yù)測(cè)下一期的數(shù)字 'three' 是: 8

大家可以參考一下骆撇。

如果中獎(jiǎng)了瞒御，別忘了回來感謝我，哈哈神郊。