NotBigGhostandClaude Opus 5
e0f1ed5fee
Главная гоняла тяжёлый SCORED_CTE пять раз: лидерборд, три запроса профиля (итог, разбивка по фракциям, форма последних партий) и ещё раз итог для активной группы. Четыре последних выбирали одни и те же строки одного игрока и отличались только агрегацией, а стоимость CTE растёт с числом партий во всём приложении, а не в группе игрока. Теперь строки игрока тянутся одним запросом, а итог, разбивка и форма считаются из них в Python. Фильтр по группе — фильтрация того же набора, поэтому блок активной группы не стоит отдельного прохода. На главной осталось два прохода вместо пяти, у профиля — один вместо трёх. Формула сглаженного рейтинга получила Python-версию рядом с SQL-версией, на тех же константах: в SQL она нужна лидерборду, где агрегация идёт по всем игрокам. Чтобы две реализации не разъехались (как однажды вышло с кэш-бастером аватара), добавлен тест, сверяющий цифры профиля с цифрами того же игрока в лидерборде. Второй тест считает запросы с SCORED_CTE на главной: без него оптимизация тихо отъедет назад при следующей правке витрин. #32 Co-Authored-By: Claude Opus 5 <noreply@anthropic.com> Claude-Session: https://claude.ai/code/session_01BoiJK9ux8peeyjLb8TYjFf
61 lines
3.5 KiB
Python
61 lines
3.5 KiB
Python
"""Метрика рейтинга. Вынесена отдельно — легко заменить.
|
|
|
|
По умолчанию: League Points — нормированные очки за место с учётом размера стола
|
|
и ничьих (competition ranking). За партию из N игроков:
|
|
points = (N - place - (tie_size - 1)/2) / (N - 1)
|
|
1-е место = 1.0, последнее = 0.0; равные места делят сумму очков поровну.
|
|
|
|
Рейтинговый счёт игрока — сглаженное среднее (байесовское, формула IMDB):
|
|
score = (PRIOR_GAMES * PRIOR_MEAN + SUM(points)) / (PRIOR_GAMES + games) * 100
|
|
К реальным партиям «дописываются» PRIOR_GAMES виртуальных со средним PRIOR_MEAN:
|
|
на малой выборке рейтинг держится около 50 и лишь с опытом сходится к чистому
|
|
среднему — короткая удачная серия новичка не обгоняет стабильного ветерана.
|
|
"""
|
|
from __future__ import annotations
|
|
|
|
# Порог числа игр для попадания в ранжированный топ (ниже — «Новички»/provisional).
|
|
MIN_GAMES = 10
|
|
# Порог числа игр на фракцию для расчёта лучшей/худшей фракции.
|
|
FACTION_MIN_GAMES = 2
|
|
|
|
# Сглаживание рейтинга: сколько «виртуальных» партий и с каким средним добавляем.
|
|
PRIOR_GAMES = 10
|
|
PRIOR_MEAN = 0.5
|
|
|
|
# SQL-выражение сглаженного рейтинга поверх агрегата по строкам scored (s.points).
|
|
# При 0 партий SUM = NULL → score = NULL (рейтинга без игр нет).
|
|
SMOOTHED_SCORE_SQL = (
|
|
f"({PRIOR_GAMES} * {PRIOR_MEAN} + SUM(s.points)) / ({PRIOR_GAMES} + COUNT(*)) * 100"
|
|
)
|
|
|
|
# SQL-выражение очков за участие (tie-aware). Использует поля m.player_count,
|
|
# mp.place и t.tie_size (размер группы игроков с тем же местом в партии).
|
|
MATCH_POINTS_SQL = (
|
|
"CASE WHEN m.player_count > 1 "
|
|
"THEN (m.player_count - mp.place - (t.tie_size - 1) / 2.0) "
|
|
"/ (m.player_count - 1) "
|
|
"ELSE 1.0 END"
|
|
)
|
|
|
|
|
|
def smoothed_score(points_sum: float, games: int) -> float | None:
|
|
"""Тот же сглаженный рейтинг, что и SMOOTHED_SCORE_SQL, но в Python.
|
|
|
|
Нужен там, где строки уже вытащены и агрегировать в SQL нечего (профиль игрока).
|
|
Держим рядом с SQL-версией и на одних константах: разъехавшиеся реализации одной
|
|
формулы — источник расхождений, который потом ловится только глазами."""
|
|
if games <= 0:
|
|
return None # рейтинга без игр нет — как SUM(...) = NULL в SQL
|
|
return (PRIOR_GAMES * PRIOR_MEAN + points_sum) / (PRIOR_GAMES + games) * 100
|
|
|
|
|
|
def leaderboard_sort_key(row: dict) -> tuple:
|
|
"""Ключ сортировки топа: счёт ↓, winrate ↓, игры ↓, среднее место ↑, ник ↑."""
|
|
return (
|
|
-(row["score"] or 0.0),
|
|
-(row["win_rate"] or 0.0),
|
|
-(row["games"] or 0),
|
|
(row["avg_place"] or 0.0),
|
|
row["nickname"].lower(),
|
|
)
|