用机器学习分析双色球：从数据清洗到特征工程的完整实践

简介：面向机器学习入门者与数据预测爱好者的实战资料包，以“采用机器学习分析双色球”为切入点，完整呈现从数据收集、清洗、独热编码、特征工程到模型训练、交叉验证与参数调优的端到端流程。资源共29个文件，以16个Python脚本为核心，涵盖TensorFlow、PyTorch、NumPy等框架的示例代码，并配有网络爬虫脚本、SQL导入导出工具、配置文件、运行日志和README说明，压缩包仅181KB，轻量便携。包内多个版本脚本可对比不同框架的建模思路，事件日志记录训练过程，适合动手复现。已有383人学习/浏览。通过研读代码可掌握多模型对比、冷热号统计与红蓝球分类预测的落地写法，同时理解彩票高随机性下的模型局限，适合在机器学习课程或业余项目中作趣味性实战参考。

1. 机器学习分析双色球：先搞清楚我们到底在预测什么

打开这个 zip 的时候，我猜你已经看过里面的目录结构了：一份历史开奖 CSV、一个训练脚本、一个预测脚本，外加一个写得半通不通的 README。用机器学习分析双色球，听起来像玄学，但把它拆开来看，其实是一个很标准的机器学习入门项目——数据处理、特征工程、模型训练、评估验证，全套流程都能练到。需要先把丑话说在前面：双色球开奖是独立随机事件，模型真正能学到的不是“下一期号码”，而是号码在历史样本里的分布形态、遗漏周期、和值区间这类统计规律。这篇文章我会从 zip 里的原始数据开始，一步步带你把它变成可训练的样本，再训练模型、评估效果，最后把脚本做成每周能自动跑的流程。

2. 数据准备：从 zip 解压到构造可训练的样本

2.1 解压后先确认数据字段，别急着跑训练脚本

我拿到这个 zip 后做的第一件事，不是双击解压然后立刻 python train.py，而是先看数据长什么样。常见的历史开奖数据是这样一份 CSV：

打开之前先做三件事：确认编码、确认列名、确认号码范围。我习惯用 pandas 直接读，编码优先试 utf-8-sig，Windows 导出的 CSV 十有八九是 GBK 或带 BOM 的 UTF-8，直接 utf-8 读会乱码。号码范围也必须跑一遍断言：红球必须在 1 到 33 之间，蓝球必须在 1 到 16 之间，超出这个范围的直接作为脏数据处理。

import pandas as pd df = pd.read_csv('data/balls.csv', encoding='utf-8-sig', parse_dates=['开奖日期']) df = df.sort_values('开奖日期').reset_index(drop=True) red_cols = [f'红{i}' for i in range(1, 7)] assert df[red_cols].min().min() >= 1, "红球出现小于1的非法值" assert df[red_cols].max().max() <= 33, "红球出现大于33的非法值" assert df['蓝球'].between(1, 16).all(), "蓝球出现非法值" df = df.drop_duplicates(subset=['期号'], keep='last').reset_index(drop=True) print(df.shape) print(df.dtypes)

这段代码做的事情很直白：按开奖日期排序、校验号码范围、按期号去重。逻辑说明：排序是为了后续滑窗切分时保证时间顺序正确，掉重是因为有些来源的数据会重复收录同一期。参数说明：encoding='utf-8-sig' 是读取带 BOM 的 UTF-8 文件的关键，换成 utf-8 时第一列列名会带上 \ufeff；parse_dates 让日期列直接变成 datetime 类型，后面算时间跨度不用再手动 to_datetime。

2.2 清洗异常行：停售期、缺失值和杂讯

双色球历史上不是每期都正常开奖，春节休市、系统故障、数据源拼接错位，都会产生脏行。清洗时我按这个顺序来：先砍掉红球列或蓝球列有缺失的行，再检查红球是否有重复号码——一注里 6 个红球不能重复，出现重复行八成是数据源拼接的时候把两行并成一行了，直接删。最后看期号是否连续递增，如果中间跳号严重，说明数据源缺了整段，这时候要回去重新找数据，别靠插值补。

df = df.dropna(subset=red_cols + ['蓝球']) def has_duplicate_red(row): return len(set(row[red_cols].values)) != 6 df = df[~df.apply(has_duplicate_red, axis=1)].reset_index(drop=True) print(f"清洗后剩余 {len(df)} 期数据")

清洗完之后还要顺手算几个基础统计列，后面做特征的时候要反复用：红球和值、红球跨度、奇偶比、区间比。这些是每期开奖号码的“当期画像”，单独看没意义，但放在窗口里取均值、取最近值，就是能喂给模型的特征。

df['红球和值'] = df[red_cols].sum(axis=1) df['红球跨度'] = df[red_cols].max(axis=1) - df[red_cols].min(axis=1) df['红球奇偶比'] = (df[red_cols] % 2).sum(axis=1) df['红球区间比'] = (df[red_cols] <= 11).sum(axis=1).astype(str) + '-' + \ ((df[red_cols] > 11) & (df[red_cols] <= 22)).sum(axis=1).astype(str) + '-' + \ (df[red_cols] > 22).sum(axis=1).astype(str)

逻辑说明：红球和值即当期 6 个红球之和，常见分布区间在 63 到 183 之间；跨度是最大号减最小号；奇偶比是奇数个数；区间比把 1-33 分成三段，统计每段各出几个。这四个量不是给模型直接预测的，而是用来刻画出号形态。

2.3 滑窗法：把开奖序列切成监督学习样本

机器学习模型不吃序列，吃的是“特征+标签”的表格。滑窗是处理这类时间序列最朴素也最稳妥的做法：对第 t 期，取它之前 30 期的数据算出特征，标签取第 t 期实际开奖结果。这样每个样本就是“过去 30 期长什么样 → 下一期出了什么号”。

这里有个关键选择：直接预测 6 个红球的具体数字是回归问题，模型很难收敛；更常见的做法是把问题转成“每个号码在下一期是否出现”的二分类。红球有 33 个候选号码，每个号码对每一期都生成一条样本，特征里带上号码本身的统计量，标签就是 0 或 1。这样样本量瞬间放大 33 倍，2000 期历史数据就能得到 6 万条训练样本，足够喂饱一个树模型。

import numpy as np def make_red_ball_samples(df, window=30): rows = [] red_arr = df[red_cols].values # shape: (n_periods, 6) sums = df['红球和值'].values spans = df['红球跨度'].values odd_counts = df['红球奇偶比'].values for t in range(window, len(df)): win_red = red_arr[t-window:t] # 窗口内所有红球 for n in range(1, 34): occur = np.argwhere(win_red == n) last_gap = window - occur[-1][0] if len(occur) > 0 else window freq_30 = (win_red == n).sum() / (window * 6) rows.append({ '期号': df['期号'].iloc[t], '号码': n, '遗漏值': last_gap, '近30期频率': freq_30, '窗口和值均值': sums[t-window:t].mean(), '窗口跨度均值': spans[t-window:t].mean(), '窗口奇偶比均值': odd_counts[t-window:t].mean(), 'label': 1 if n in red_arr[t] else 0 }) return pd.DataFrame(rows) samples = make_red_ball_samples(df, window=30) print(samples['label'].mean())

逻辑说明：外层循环遍历每一期，对每个候选号码 1 到 33 分别计算它的特征。遗漏值表示这个号码距离窗口末端（也就是第 t-1 期）已经多少期没出现过，这是彩票分析里最有价值的特征之一；近 30 期频率是它在这 30 期里出现的密度，用来区分热号和冷号。窗口和值均值、跨度均值、奇偶比均值刻画的是近期整体出号形态。参数说明：window=30 表示回看 30 期，这个值可以根据数据量调；历史数据超过 1500 期时，window 取 30 或 50 效果差别不大，但 window 太大会让遗漏值失去区分度。

3. 特征工程：给模型喂这 6 类号球特征

3.1 单期统计特征：和值、跨度、奇偶比、区间比

双色球分析里最常用的几类手工特征，是开奖号码的统计形态。和值高说明这期偏向出大号，跨度大说明号码分布很散，奇偶比失衡说明单双号不均。这些特征单独看是开奖结果的一部分，但放进窗口里取均值、取趋势，就成了描述近期形态的时序信号。

我一般在窗口上算三组统计量：最近一期的原始值、窗口内均值、窗口内标准差。原始值刻画当下状态，均值刻画整体水平，标准差刻画波动性。比如红球和值，近 30 期均值如果一直在 110 以上，说明近期偏大号；标准差突然拉大，说明号球分布不稳定，可能后续会回归。这类特征不需要做复杂编码，数值型直接进模型就行。

samples['窗口和值标准差'] = samples.groupby('期号')['窗口和值均值'].transform(lambda x: x.rolling(5).std())

这里我补充了一个 5 期滚动标准差，理由是：彩票走势本身没有强规律，但滚动的波动率能帮树模型捕捉到“形态正在变化”的信号。需要注意时效性——特征只能用到第 t-1 期为止的数据，绝不能把第 t 期的和值、跨度算进特征里，这是典型的未来函数，后面避坑章节还会专门展开。

3.2 跨期衍生特征：遗漏值、热冷强度和重复率

把号码当独立个体看，最重要的特征就是遗漏值和近 N 期频率。遗漏值指“这个号码已经连续多少期没出现”，理论上是几何分布，均值约 5 期；但实际序列经常出现 15 期以上的长遗漏，这时候号码的遗漏值就成了一个强信号。热冷强度可以把近 30 期频率做标准化：把频率除以 6/33 的理论概率，大于 1 是热号，小于 1 是冷号。

theoretical_prob = 6 / 33 samples['热冷强度'] = samples['近30期频率'] / theoretical_prob samples['遗漏值归一化'] = samples['遗漏值'] / 30.0

参数说明：热冷强度的分母是双色球红球单期理论出现概率，任何号码长期看都收敛到 6/33，偏离这个值只是短期统计波动。遗漏值归一化到 0 到 1 之间，对树模型来说不影响分裂，但如果之后要接逻辑回归或神经网络，这一步就很有必要。

重复率是另一个值得加的特征：看当前窗口里有没有号码重复出现，以及重复的密集度。具体做法是统计窗口内 30×6 个红球位置里，出现次数排名前 5 的号码各自出现了几次。这个特征的思想是：号码的开出存在短期的聚集效应，虽然不规律，但树模型可以自己决定要不要用这个信号。

3.3 特征归一化与保存特征清单

到这里特征维度差不多有 8 到 10 列，足够训练了。归一化对 LightGBM 这类树模型不是必须的，但如果后续要对比逻辑回归，就得把数值特征都做标准化。我更推荐的做法是：把特征列名存成一个列表，连同 model 一起保存。这个习惯能避免后面载入模型做预测时列顺序错乱——这个问题一旦出现，预测结果基本都是乱序概率，排查起来非常痛苦。

feature_cols = ['号码', '遗漏值', '近30期频率', '热冷强度', '窗口和值均值', '窗口跨度均值', '窗口奇偶比均值', '窗口和值标准差'] X = samples[feature_cols] y = samples['label']

逻辑说明：号码本身作为特征很重要。模型需要知道它现在在评估的是 1 号到 33 号里的哪一个号码，因为不同号码在不同时期的遗漏分布、频率特性都不完全一样。如果不把号码编码进去，等于强迫模型对所有候选号码一视同仁，效果会大打折扣。参数说明：特征列表里没有把期号放进去，因为期号是索引，不是信号。

4. 模型选择与训练：用 LightGBM 给红球出现概率排序

4.1 为什么不用 LSTM 直接预测号码

很多人一看到时序数据就想上 LSTM 或 Transformer，这在双色球场景里属于杀鸡用牛刀，而且大概率翻车。原因很现实：LSTM 需要的核心前提是序列里存在可学习的长程依赖，而双色球开奖是独立随机事件，序列的自相关性几乎为零。硬把几千期号码灌进 LSTM，模型只能把历史噪声背下来，验证集上表现和随机没差别。LightGBM 这类梯度提升树更适合这个场景：它对表格特征的处理非常高效，能自动组合特征，训练速度快，还能输出特征重要性，方便我们事后检查模型到底学了什么。

import lightgbm as lgb from sklearn.metrics import roc_auc_score split_point = int(len(samples) * 0.8) X_train, X_val = X.iloc[:split_point], X.iloc[split_point:] y_train, y_val = y.iloc[:split_point], y.iloc[split_point:] model = lgb.LGBMClassifier( objective='binary', learning_rate=0.05, num_leaves=31, max_depth=-1, min_data_in_leaf=20, feature_fraction=0.8, bagging_fraction=0.8, bagging_freq=5, n_estimators=300, random_state=42 ) model.fit( X_train, y_train, eval_set=[(X_val, y_val)], eval_metric='auc', callbacks=[lgb.early_stopping(50), lgb.log_evaluation(50)] )

逻辑说明：这里用的是单个二分类 LightGBM 模型，对所有 (期号, 号码) 样本统一训练。特征里带上了号码本身，所以模型能学到不同号码在不同状态下的出现倾向。eval_metric 用 AUC 而不是准确率，是因为正负样本比例约 6/33，准确率在类别不平衡下会虚高。参数说明：learning_rate=0.05 让模型学得慢但稳；num_leaves=31 控制了树的复杂度，数据信号弱时叶子数太多容易过拟合；feature_fraction 和 bagging_fraction 都设为 0.8，相当于给列和行都做采样，进一步压制方差。

4.2 时间序列切分：不能随机 shuffle

训练集和验证集的划分在这一步必须格外小心。很多人在 sklearn 里习惯了 train_test_split，上来就随机切，这在双色球场景里是致命的。原因很简单：我们的特征是滑窗构造的，相邻两期样本的窗口高度重叠，随机切分会让训练集里混入验证集的“邻居样本”，信息从窗口缝隙里漏过去，验证指标必然虚高。正确做法是按时间顺序切分，拿前 80% 的历史做训练，后 20% 做验证。

上面的代码里 split_point = int(len(samples) * 0.8) 就是按时间比例硬切，因为样本是按期号顺序排列的。如果你需要更严谨的验证，可以用 sklearn 的 TimeSeriesSplit 做 K 折，但每一折的训练集都必须严格在验证集之前。另一种做法是直接按日期切，比如 2022 年之前的数据训练，2023 年至今的数据验证，这样更接近真实的使用场景。

4.3 预测下一期号码：概率排序取 Top 6

模型训练完成后，预测时的逻辑和训练时要完全一致。对最新一期之前的 window 期数据构造同样的特征，生成 33 条候选样本，每条样本对应一个红球号码，用模型预测每个号码的出现概率，最后按概率从大到小排序，取前 6 个作为模型给出的参考红球。

def build_latest_samples(df, window=30): rows = [] t = len(df) red_arr = df[red_cols].values sums = df['红球和值'].values spans = df['红球跨度'].values odd_counts = df['红球奇偶比'].values win_red = red_arr[t-window:t] for n in range(1, 34): occur = np.argwhere(win_red == n) last_gap = window - occur[-1][0] if len(occur) > 0 else window freq_30 = (win_red == n).sum() / (window * 6) rows.append({ '号码': n, '遗漏值': last_gap, '近30期频率': freq_30, '热冷强度': freq_30 / (6 / 33), '窗口和值均值': sums[t-window:t].mean(), '窗口跨度均值': spans[t-window:t].mean(), '窗口奇偶比均值': odd_counts[t-window:t].mean(), '窗口和值标准差': sums[t-window:t].std() }) return pd.DataFrame(rows) latest = build_latest_samples(df, window=30) prob = model.predict_proba(latest[feature_cols])[:, 1] ranking = np.argsort(-prob) top6_red = sorted([int(i) + 1 for i in ranking[:6]]) print("模型参考红球:", top6_red)

逻辑说明：build_latest_samples 的窗口取的是从倒数第 30 期到最后一期的数据，正好不包含待预测的那一期。对每个候选号码计算遗漏值、频率等特征后，预测概率并排序。参数说明：预测时的 window 必须和训练时一致，否则特征分布对不上；如果训练时得过热冷强度，预测时也必须算同样的列。

5. 避坑与评估：5 个让双色球模型结果失真的排查点

5.1 特征用了当期数据，训练准确率 95%，开奖命中率接近随机

这是双色球机器学习项目里最容易犯、也最难排查的错误。现象是训练集 AUC 高得离谱，验证集也还行，但拿去预测下一期，命中率跟瞎猜没什么区别。原因几乎都是特征构造时引入了当期信息，典型的例子是用前后文滑窗算遗漏值时，把 t 期本身的号码也写进了窗口，或者算窗口和值时不小心把 t 期包含进去。解决方法是自查特征构造函数，确保每行样本只用到 t-window 到 t-1 期的数据，然后写一个断言：随机挑几期样本，手动改掉窗口里最后一期的号码，看特征值是否变化；如果变了，说明特征里混入了当期数据。

5.2 随机切分训练集，模型学会了“剧透”

现象是第一次训练时验证 AUC 0.72，兴冲冲上线，预测结果却完全不对。原因前面讲过，滑窗样本之间高度重叠，随机切分等于把未来的窗口片段嵌进了训练集。解决方法是强制按时间切分，并且记录切分的日期边界。我习惯把验证指标差的模型先留下，等几期真实开奖后，拿真实结果验证模型的排序效果，这比任何验证集指标都可信。

5.3 导入资源包失败 caused by: invalid zip archive: could not find eocd

这个报错我遇到过不止一次，而且经常是在别人发给我的数据包里。现象是解压工具报错，或者 unzip 命令直接提示 invalid zip archive: could not find eocd。原因是 zip 的 EOCD（中央目录结束标记）位于文件末尾，下载过程中断、剪贴板传送截断、杀毒软件隔离都会让文件末尾缺失数据，导致解压工具找不到 EOCD 记录。解决方法是先校验文件完整性：用ls -l看文件大小是否合理；再用 hexdump 检查文件末尾是否有 EOCD 标记PK\x05\x06。没有的话别硬解，找发件人重新发一份，或者用 7-Zip 打开测试压缩包是否损坏。

5.4 Windows 下中文列名乱码、中文路径保存模型失败

现象是 pandas 读 CSV 后列名显示乱码，或者 LightGBM 的模型保存到带中文的目录时报错。原因有两个层面：CSV 编码不是 UTF-8，是 GBK 或带 BOM 的 UTF-8；Windows 控制台默认代码页和 Python 字符串编码不一致，导致模型文件写入路径时编码爆炸。解决方法是读取时统一用 encoding='utf-8-sig'，同时把结果文件和模型都保存到纯英文路径下。一个小习惯：所有数据文件先转成 UTF-8 规范再入库，别把原始编码带到后续流程里。

5.5 特征列顺序不一致，预测概率全错位

现象是模型加载旧权重后，predict_proba 输出的概率排序看起来有问题，比如冷号全排前面。原因是训练时的 feature_cols 和预测时的特征 DataFrame 列顺序不一致，LightGBM 按位置取特征，列名对不上时不会报错，只会默默用错数据。解决方法是训练完立刻把模型自带的 feature_name 保存下来：

feature_names = list(model.booster_.feature_name()) with open('feature_names.txt', 'w', encoding='utf-8') as f: f.write('\n'.join(feature_names))

预测前再读出来，对预测特征做 reorder。这个动作几十秒，能省掉后续大量排查时间。

5.6 用随机基线对照，判断模型到底有没有用

双色球模型必须回答一个问题：模型输出是不是比随机抽号强。随机基线很好算：从 33 个红球里随机抽 6 个，期望命中数 = 6 × 6/33 ≈ 1.09，也就是平均每期命中 1 个红球。如果你的模型预测的 Top 6 红球平均命中数长期在 1.5 以下，说明它几乎没有学到任何有效信号。我每季度会做一次蒙特卡洛模拟，随机抽 1 万组作为基线，同时统计模型近 30 期的平均命中数，两边一比就能客观判断模型是否还在工作。这个方法也能帮你在早期就识别出特征失效，而不是等到连续几期不中才怀疑模型。

6. 落地技巧：把分析脚本做成每周可复用流程

6.1 用定时任务替代手工跑脚本

模型训练好、特征管线稳定之后，剩下的就是把流程自动化。我习惯把训练和预测拆成两个脚本：train_model.py 每周日跑一次，读取最新开奖数据，重新训练并保存模型；predict_next.py 在每期开奖前跑一次，输出参考号码。定时任务用系统自带的 cron 或 Windows 任务计划程序就能搞定，不需要引入额外框架。

# 每周日 20:00 重新训练模型 0 20 * * 0 cd /path/to/lottery && python train_model.py >> logs/train.log 2>&1 # 每周二、四、日 20:30 预测下一期 30 20 * * 2,4,7 cd /path/to/lottery && python predict_next.py >> logs/predict.log 2>&1

逻辑说明：训练放在每周日，是因为数据更新以周为粒度足够；预测放在开奖日当天，避免隔太久数据过期。参数说明：日志重定向一定要写，脚本一旦跑挂，日志是唯一的排查入口。

6.2 长期记录预测结果，只看命中率曲线

做预测不记录结果，等于白做。我维护一个 evaluation.csv，每期预测完把 Top 6 号码和实际开奖号码追加进去，隔几个月就统计一次累计命中率，并和随机基线对比。如果连续 30 期的平均命中数跌破随机基线，不要急着调参，先回去查特征是不是失效了，或者数据源是不是有新的脏数据。这套习惯帮我避开了很多“模型训练时好用时不好用”的玄学问题。

我自己的习惯是每个季度只重训一次模型，中间只做预测和记录，不频繁调参。彩票数据本身就充满噪声，调参调得太频繁只会让模型记住上一段噪声，而不是学到稳定的统计形态。更重要的是，我一直把它当成机器学习练习，而不是收益手段——模型给出的号码只做统计参考，不构成投注建议。理性看待随机事件，才能把精力放在真正有积累的事上。希望帮到你。

本文还有配套的精品资源，点击获取