3D福彩真的无法预测吗？

摘要：import pandas as pd import matplotlib.pyplot as plt import matplotlib as mplmpl.rcParams['font.family']='simhei'df = pd.read_csv('

正好手上有这些资料。可以提供一些思路。

本文章为技术贴，讨论如何使用人工智能机器学习统计数据并进行分析，无任何导向。请大家理性看待。请多多支持公益事业。

以下是我采集的2024年全年的3D球的数据，包括每期的销售总额和三个数字。

2024年一共是352期。

接下来，我们使用Python代码分析一下规律。

代码如下：

import pandas as pd import matplotlib.pyplot as plt import matplotlib as mplmpl.rcParams['font.family']='simhei'df = pd.read_csv('3d_2024.csv')# 转换 draw_date 为日期格式 df['draw_date'] = pd.to_datetime(df['draw_date']) # display(df)# 设置图形大小 plt.figure(figsize=(12, 80)) # 你可以根据需要调整大小 # 创建每个数字的趋势图 # 绘制 One 的趋势图 plt.subplot(1, 3, 1) # 1行3列的第1个子图 plt.plot(df['one'], df.index + 1, marker='o',c='r') # 将Y轴的索引放大1.5倍 plt.title('数字百的趋势') # 中文标题 plt.xlabel('数字') # 中文 x 轴标题 plt.ylabel('期数') # 中文 y 轴标题 plt.xticks(range(10)) # 设置 x 轴刻度为 0-9 plt.yticks(df.index + 1, df['draw_date'].dt.strftime('%Y-%m-%d')) # 设置 y 轴为开奖日期 # 在点上方显示数字 for i in range(len(df)): plt.text(df['one'][i], df.index[i] + 1.1, str(df['one'][i]), ha='center', va='bottom') # 绘制 Two 的趋势图 plt.subplot(1, 3, 2) # 1行3列的第2个子图 plt.plot(df['two'], df.index + 1, marker='o',c='g') # 将Y轴的索引放大1.5倍 plt.title('数字十的趋势') # 中文标题 plt.xlabel('数字') # 中文 x 轴标题 plt.ylabel('期数') # 中文 y 轴标题 plt.xticks(range(10)) # 设置 x 轴刻度为 0-9 plt.yticks(df.index + 1, df['draw_date'].dt.strftime('%Y-%m-%d')) # 设置 y 轴为开奖日期 # 在点上方显示数字 for i in range(len(df)): plt.text(df['two'][i], df.index[i] + 1.1, str(df['two'][i]), ha='center', va='bottom') # 绘制 Three 的趋势图 plt.subplot(1, 3, 3) # 1行3列的第3个子图 plt.plot(df['three'], df.index + 1, marker='o') # 将Y轴的索引放大 plt.title('数字个的趋势') # 中文标题 plt.xlabel('数字') # 中文 x 轴标题 plt.ylabel('期数') # 中文 y 轴标题 plt.xticks(range(10)) # 设置 x 轴刻度为 0-9 plt.yticks(df.index + 1, df['draw_date'].dt.strftime('%Y-%m-%d')) # 设置 y 轴为开奖日期 # 在点上方显示数字 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 # 自动调整子图间距 # 保存图片到指定路径plt.savefig('3D走势图.png')plt.show # 显示图形

运行代码，出现如图

看这个蛇形走位，看起来有规律吗？

就算全宇宙最牛逼的算法和算力也无法发现他的规律吧。

2 统计规律

我们通过这352期的数字，找到个十百位的回归曲线。

根据数字分布图，可以发现，这条线就基本就是直线了，并且就着4,5,6之间的直线。

并且你会发现，如果统计2004-2024年这10年的数据，这条曲线基本就会变成数字5左右的直线了。

数据量越大，越没有规律了。

不过，我们可以试一下，看看是否可以预测。

3 根据条件预测

预测的前提条件是这样的。

根据2024年的历史规律总结，寻找当上一期出现的某个数字之后，下一期会出现什么数字。

例如：2024351期，2024-12-30,出现的数字是6,5,7，使用代码总结一下，当百位出现6的时候，下一期最多会出现什么数字，当十位出现5时，下一期最多会出现什么数字，当个位出现7时，个位会出现什么数字。

接下来，我们根据代码预测：

输入：第2025026期的结果5,8,8，预测下一期的号码

'''@date 2024年11月20日@author liandyaody号: liandyao'''# 导入必要的库import pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.metrics import accuracy_score# 创建 DataFramedf = pd.read_csv('3d_2024.csv')# 将数据按期号进行排序以确保顺序df.sort_values(by='issue', inplace=True)# 创建特征: 使用过去的值作为输入特征# 假设有记录过去几期的数据df['prev_one'] = df['one'].shift(1)df['prev_two'] = df['two'].shift(1)df['prev_three'] = df['three'].shift(1)# 删除缺失值df.dropna(inplace=True)# 提取特征和目标X = df[['prev_one', 'prev_two', 'prev_three']]y_one = df['one']y_two = df['two']y_three = df['three']# 数据分割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)# 构建和训练模型model_one = RandomForestClassifiermodel_one.fit(X_train, y_train_one)model_two = RandomForestClassifiermodel_two.fit(X_train, y_train_two)model_three = RandomForestClassifiermodel_three.fit(X_train, y_train_three)# 预测y_pred_one = model_one.predict(X_test)y_pred_two = model_two.predict(X_test)y_pred_three = model_three.predict(X_test)# 评估模型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' 的准确率: {accuracy_one:.2f}")print(f"模型 'two' 的准确率: {accuracy_two:.2f}")print(f"模型 'three' 的准确率: {accuracy_three:.2f}")# 输入预测值（最后一行数据，预测未来的值）input_data = [[5,8,8]] # 使用数字进行预测predicted_one = model_one.predict(input_data)predicted_two = model_two.predict(input_data)predicted_three = model_three.predict(input_data)print(f"预测下一期的数字 'one' 是: {predicted_one[0]}")print(f"预测下一期的数字 'two' 是: {predicted_two[0]}")print(f"预测下一期的数字 'three' 是: {predicted_three[0]}")

得到的结果：

模型 'one' 的准确率: 0.08

模型 'two' 的准确率: 0.10

模型 'three' 的准确率: 0.11

上一期的数字： prev_one prev_two prev_three

0 5 8 8

预测下一期的数字 'one' 是: 1

预测下一期的数字 'two' 是: 0

预测下一期的数字 'three' 是: 8