开球到传球的时间 - (TimeHandoff-TimeSnap)：我认为这一时间的长短一定程度上决定了战术的选择，而战术肯定是影响了进攻码数的；
比赛进行时间 - (15-GameClock+Quarter*15)：比赛进行了多久对球员们的体力、战术选择等都有很大影响；
Position_XX：用于统计当前进攻中场上各个角色的人数组成，这也跟战术选择密切关系；
goal区：码线对方半场10码或10码内，此时距离达阵不到10码，一般这种情况下战术选择会变得与之前不太一样，不管是防守方还是进攻方；
首攻危险：这是我自己定义的，即当目前进攻方仅有一次进攻机会，而所需继续进攻的码数大于5时，我认为是有首攻危险的，此时很可能丢失球权，down为4，且distance大于5；
距离达阵还有多少码：一般距离的不同，防守方的防守策略会有不同，距离较远一般会较为保守，距离较近则会比较激进；
其余object特征做label encode处理；
聚合数据并整理聚体统计特征这里要注意，训练数据每一行表示的是一次进攻中一个球员的情况，我们预测的是每次进攻，因此需要把每22条数据聚合为1条，这个过程中会有一些数据统计特征的产生，下面简介整个流程：
延迟特征：即每个球员分别在之后0.5s，1s，2s，3s后的位置信息；
平均特征：分为进攻方和防守方，平均速度、平均加速度、平均身高、平均体重、平均年龄；
持球人为中心特征：当前、延迟0.5s，1s，2s，3s时，进攻方和防守方球员与他的平均距离；
持球人为中心特征2：当前、延迟0.5s，1s，2s，3s时，进攻方和防守方球员在持球人3码、5码内的人数估计；
一次进攻的成败，大部分情况下取决于四分卫的发挥，而对其发挥其重要作用的，除了他自己，就是他身边的队友以及对手的数量，这一定程度上影响了他的可选择空间大小；
这一段的处理代码较多，只截取了一部分，如下：
测试数据处理与训练数据保持一致即可；
建模到此，数据处理完毕，后续就是建模、调参、combine等优化处理了，这一步我没有花太多精力，模型选择ExtraTreesRegressor，由于其使用了oob，因此不需要CV，结果如下：
大家可以到我的Github上看看有没有其他需要的东西，目前主要是自己做的机器学习项目、Python各种脚本工具、数据分析挖掘项目以及Follow的大佬、Fork的项目等：
https://github.com/NemoHoHaloAi