本文介绍如何使用python的pulp库解决棒球击球手阵容优化问题，特别处理球员可胜任多个位置（如ci/of、mi/ci）的复杂约束，通过整数线性规划自动选出投影得分最高的5人阵容（含1 ci、1 mi、1 of + 2 flex）。
本文介绍如何使用python的pulp库解决棒球击球手阵容优化问题，特别处理球员可胜任多个位置（如ci/of、mi/ci）的复杂约束，通过整数线性规划自动选出投影得分最高的5人阵容（含1 ci、1 mi、1 of + 2 flex）。
在实际棒球DFS（Daily Fantasy Sports）建模中，球员的多位置属性（如Yordan Alvarez同时具备CI和OF资格）使传统“一一匹配”式筛选失效——硬性要求“某球员必须填入CI位”会遗漏更优组合。正确解法是将位置约束转化为覆盖型逻辑条件：只要最终入选名单中至少有1名CI合格球员、1名MI合格球员、1名OF合格球员，且总人数为5人，即满足规则；剩余2个名额天然由FLEX规则释放，无需额外指定位置。
以下是一个完整、可运行的教程实现：
✅ 核心思路
- 将每个球员的位置列表展开为布尔型one-hot列（
CI,MI,OF），标识其是否具备该位置资格； - 引入二元决策变量
assign_i（0或1），表示第i名球员是否入选； - 目标函数：最大化所有入选球员的投影得分之和；
- 约束条件：
-
CI约束：所有CI合格球员的assign之和 ≥ 1 -
MI约束：所有MI合格球员的assign之和 ≥ 1 -
OF约束：所有OF合格球员的assign之和 ≥ 1 - 总人数约束：全部
assign之和 = 5
-
? 示例代码（含注释）
import pandas as pd
import pulp
# 构建示例球员数据（实际使用时替换为你的数据）
data = pd.DataFrame({
'name': ['juan-soto', 'kyle-tucker', 'yordan-alvarez', 'william-contreras',
'jake-meyers', 'yasmani-grandal', 'ernie-clement'],
'projection': [30.3773, 44.0626, 32.5102, 26.7904, 30.0, 29.0, 31.0],
'position': [['OF'], ['OF'], ['CI', 'OF'], ['CI', 'MI'],
['OF'], ['CI'], ['MI']],
})
# 步骤1：生成one-hot位置列（关键！自动处理多位置）
positions_exploded = data['position'].explode()
pos_dummies = pd.get_dummies(positions_exploded).groupby(level=0).any()
data = pd.concat([data, pos_dummies], axis='columns')
# 步骤2：添加PuLP二元决策变量
data['assign'] = pulp.LpVariable.matrix('assign', indices=data['name'], cat=pulp.LpBinary)
# 步骤3：构建优化问题
prob = pulp.LpProblem('mlb-lineup', sense=pulp.LpMaximize)
prob.setObjective(pulp.lpDot(data['assign'], data['projection']))
# 步骤4：添加位置与人数约束
prob.addConstraint(pulp.lpSum(data.loc[data['CI'], 'assign']) >= 1, name='ci_min')
prob.addConstraint(pulp.lpSum(data.loc[data['MI'], 'assign']) >= 1, name='mi_min')
prob.addConstraint(pulp.lpSum(data.loc[data['OF'], 'assign']) >= 1, name='of_min')
prob.addConstraint(pulp.lpSum(data['assign']) == 5, name='total_five')
# 步骤5：求解并解析结果
assert prob.solve(pulp.PULP_CBC_CMD(msg=False)) == pulp.LpStatusOptimal
data['selected'] = [pulp.value(x) > 0.5 for x in data['assign']]
print("✅ 最优阵容（按投影得分降序）：")
print(data[data['selected']].sort_values('projection', ascending=False)[['name', 'projection', 'position']])
print(f"\n? 总投影得分：{pulp.value(prob.objective):.4f}")⚠️ 注意事项与进阶建议
-
数据预处理是关键：
pd.get_dummies().groupby(...).any()是处理多位置的核心技巧，确保每位球员在其所有合格位置上均标记为True； -
FLEX无需建模：本方案中FLEX本质是“未被刚性位置占用的剩余名额”，因此不设独立约束，仅靠
total_five与三个最小覆盖约束自然导出； -
扩展性提示：如需加入薪资帽、互斥球员（如不能同时选A和B）、同一队限制等，可在
prob.addConstraint()中追加对应线性约束； -
求解器选择：默认CBC足够快；若规模扩大（>1000球员），可切换至
pulp.GUROBI()或pulp.CPLEX()提升性能； -
验证输出：务必检查结果中
CI/MI/OF列是否至少各有一个True值，避免边界情况下的约束松弛失效。
通过该方法，你不再需要枚举组合或编写嵌套条件判断——PuLP将自动探索所有合法子集，在毫秒级内返回数学意义上全局最优的阵容配置。
