"CORTANA e i suoi codici"

lottoLuke · 14 Febbraio 2024

Car.issimo @lotto_tom75 ,nel caso tu abbia tempo e voglia puoi dare un occhiata veloce a questo risultato prodotto .grazie

Codice:

Ti allego una breve relazione sul codice "migliori"
Analisi delle Estrazioni del Lotto per Ruote Specifiche

Il codice fornito è un'applicazione Python che analizza le estrazioni di numeri del lotto per diverse ruote specifiche al fine di identificare i numeri più frequenti e analizzare le loro anticipazioni. La struttura del codice è chiara e ben organizzata, con una serie di passaggi che guidano l'utente attraverso il processo di analisi dei dati.

Struttura e Funzionalità Principali del Codice:

Import delle Librerie: Il codice inizia importando le librerie pandas per la manipolazione dei dati tabellari e matplotlib.pyplot per la visualizzazione grafica. L'importazione di os è utilizzata per la gestione dei file di sistema.

Definizione delle Ruote: Viene definita una lista delle ruote su cui verranno eseguite le analisi. Questo approccio fornisce flessibilità nell'analizzare diverse ruote senza dover modificare il codice principale.

Funzione analizza_ruota(ruota): Questa funzione è il cuore del codice e si occupa di analizzare le estrazioni per una singola ruota. La funzione accetta il nome della ruota come argomento e restituisce i 3 numeri più frequenti e le rispettive percentuali di anticipazioni. La funzione è strutturata in modo chiaro e suddivisa in passaggi logici:

Verifica l'esistenza del file delle estrazioni per la ruota specificata.
Legge le estrazioni dal file e le elabora per ottenere i numeri individuali.
Calcola la frequenza di ciascun numero e identifica i 5 più frequenti.
Determina le anticipazioni per ciascun numero e crea un DataFrame per visualizzare queste informazioni.
Calcola le percentuali di anticipazioni per ciascun numero e le visualizza attraverso un grafico a barre.
Restituisce i primi 3 numeri più frequenti e la media delle percentuali di anticipazioni.
Iterazione sulle Ruote e Stampaggio dei Risultati Finali: Il codice itera su tutte le ruote definite e chiama la funzione analizza_ruota() per ciascuna di esse. Alla fine, stampa i risultati finali che includono i 3 numeri più frequenti e le rispettive percentuali di anticipazioni per ciascuna ruota.

Conclusioni e Potenziale di Miglioramento:

Il codice fornisce uno strumento utile per l'analisi delle estrazioni del lotto, consentendo agli utenti di ottenere una panoramica dettagliata dei numeri più frequenti e delle loro caratteristiche di anticipazione per diverse ruote. Tuttavia, potrebbe essere migliorato aggiungendo una documentazione più dettagliata e commenti esplicativi all'interno del codice per rendere più chiara la comprensione del processo di analisi.

Inoltre, l'aggiunta di funzionalità per l'automazione del download dei dati delle estrazioni e l'aggiornamento automatico delle analisi potrebbe rendere l'applicazione ancora più utile e user-friendly.

Codice:

Top 5 numeri più frequenti per la ruota Bari:
48    428
20    424
15    420
81    416
26    412
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      48   20   15   81   26
0     37   49   37    8   87
1    438   18  139  268    3
2    547    2   48   20  111
3     73  177  199  110   15
4     18   53  217  100    5
..   ...  ...  ...  ...  ...
422  104  107    0    0    0
423   32    0    0    0    0
424  209    0    0    0    0
425   54    0    0    0    0
426    6    0    0    0    0

[427 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
48      48                     100.0
20      20                 99.063232
15      15                 98.126464
81      81                 97.189696
26      26                 96.252927

Top 5 numeri più frequenti per la ruota Cagliari:
56    426
80    422
81    412
1     409
84    408
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      56   80   81   1    84
0     33  334   26   30  152
1     35   11  104    9  223
2    211   42    8  124  108
3    138   23    6  234   45
4     71   19  118   88  101
..   ...  ...  ...  ...  ...
420    3   47    0    0    0
421   96    0    0    0    0
422   55    0    0    0    0
423  111    0    0    0    0
424   54    0    0    0    0

[425 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
56      56                     100.0
80      80                 99.058824
81      81                 96.705882
1        1                      96.0
84      84                 95.764706

Top 5 numeri più frequenti per la ruota Firenze:
57    417
27    416
74    416
79    415
58    414
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      57   27   74   79   58
0     46  117    5  151   90
1     39    8  388  127   10
2     49    8  121  251   94
3    126   55   88   45   30
4     40   65  117  160  480
..   ...  ...  ...  ...  ...
411   51   70   19  113   21
412   14   15   60   48    5
413   66   28  153   37    0
414    9  180   48    0    0
415   80    0    0    0    0

[416 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
57      57                     100.0
27      27                 99.759615
74      74                 99.759615
79      79                 99.519231
58      58                 99.278846

Top 5 numeri più frequenti per la ruota Genova:
10    418
19    412
21    409
20    408
74    404
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      10   19   21   20  74
0     34   84  178   12  55
1     11   67   54   19  63
2    161   30   54   70  31
3      3   29  174  364  71
4    162  144   70   67  57
..   ...  ...  ...  ...  ..
412  106    0    0    0   0
413   76    0    0    0   0
414   65    0    0    0   0
415  111    0    0    0   0
416  109    0    0    0   0

[417 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
10      10                     100.0
19      19                 98.561151
21      21                 97.841727
20      20                 97.601918
74      74                 96.642686

Top 5 numeri più frequenti per la ruota Milano:
82    430
15    428
16    422
14    421
53    418
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      82   15   16  14  53
0     25   56  180  92  22
1    208    6    2  62  92
2     67  111    9  21  29
3    114    5  106  94  83
4     39  207   38  12  36
..   ...  ...  ...  ..  ..
424   19   52    0   0   0
425   79    8    0   0   0
426   42   68    0   0   0
427   47    0    0   0   0
428   48    0    0   0   0

[429 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
82      82                     100.0
15      15                   99.5338
16      16                 98.135198
14      14                 97.902098
53      53                 97.202797

Top 5 numeri più frequenti per la ruota Napoli:
45    446
52    430
13    413
76    412
6     410
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      45   52   13   76   6
0     39   78    8  200   11
1    116   27  107   28    6
2    142  153   22   16  121
3      9   52   94  128   10
4    104  151   16   61   89
..   ...  ...  ...  ...  ...
440  108    0    0    0    0
441   40    0    0    0    0
442   13    0    0    0    0
443   72    0    0    0    0
444   21    0    0    0    0

[445 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
45      45                     100.0
52      52                 96.404494
13      13                  92.58427
76      76                 92.359551
6        6                 91.910112

Top 5 numeri più frequenti per la ruota Palermo:
2     419
87    412
30    410
38    410
65    408
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      2   87   30   38   65
0    104  46   29   47  134
1     51  11  133   46  196
2     29  10  244   44  166
3     90  70  204  103  238
4     49  55  405   60   60
..   ...  ..  ...  ...  ...
413    6   0    0    0    0
414  173   0    0    0    0
415   81   0    0    0    0
416  143   0    0    0    0
417   35   0    0    0    0

[418 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
2        2                     100.0
87      87                 98.325359
30      30                  97.84689
38      38                  97.84689
65      65                 97.368421

Top 5 numeri più frequenti per la ruota Roma:
63    417
83    417
35    415
90    415
89    412
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      63   83   35   90   89
0     26  181   42  144  129
1     30  302   17   85   36
2    107  192   15  102  175
3     19    3   28   40   85
4     12   16  172   34    5
..   ...  ...  ...  ...  ...
411   74   92   47  160    0
412   64    4   21   13    0
413  151  119  151   53    0
414   24   50    0    0    0
415  324   24    0    0    0

[416 rows x 5 columns]
C:\Users\****\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
63      63                     100.0
83      83                     100.0
35      35                 99.519231
90      90                 99.519231
89      89                 98.798077

Top 5 numeri più frequenti per la ruota Torino:
81    428
85    423
5     419
42    418
51    416
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      81   85   5    42   51
0     51  106   17  125   29
1     32    8  100   33  146
2     10   24   15   17   10
3    275   60  121   98   61
4    112   45   44   34   15
..   ...  ...  ...  ...  ...
422   41    0    0    0    0
423  104    0    0    0    0
424   10    0    0    0    0
425   37    0    0    0    0
426  223    0    0    0    0

[427 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
81      81                     100.0
85      85                  98.82904
5        5                 97.892272
42      42                  97.65808
51      51                 97.189696

Top 5 numeri più frequenti per la ruota Venezia:
86    434
53    429
65    421
89    419
74    416
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      86   53   65   89   74
0     37   98   58   65   18
1      2   19   32   73    6
2    126   51   80  235   89
3     27  220  175  151  197
4     60   17   12   53  156
..   ...  ...  ...  ...  ...
428   53    0    0    0    0
429   16    0    0    0    0
430   69    0    0    0    0
431  132    0    0    0    0
432  122    0    0    0    0

[433 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
86      86                     100.0
53      53                 98.845266
65      65                 96.997691
89      89                 96.535797
74      74                 95.842956

Top 5 numeri più frequenti per la ruota Nazionale:
80    194
17    190
33    187
46    186
22    185
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      80  17  33   46   22
0     78  67  96   23   56
1      9   9  94   43   13
2     19  35  79  100   50
3    388  89  51  102  137
4     67  26  88   39   38
..   ...  ..  ..  ...  ...
188   17  89   0    0    0
189  181   0   0    0    0
190   19   0   0    0    0
191   27   0   0    0    0
192   58   0   0    0    0

[193 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
80      80                     100.0
17      17                 97.927461
33      33                 96.373057
46      46                 95.854922
22      22                 95.336788

Risultati finali - 3 numeri migliori e percentuali di anticipazioni per ciascuna ruota:
Bari: Numeri migliori [48, 20, 15], Percentuali di Anticipazioni 48        100.0
20    99.063232
15    98.126464
81    97.189696
26    96.252927
dtype: object
Cagliari: Numeri migliori [56, 80, 81], Percentuali di Anticipazioni 56        100.0
80    99.058824
81    96.705882
1          96.0
84    95.764706
dtype: object
Firenze: Numeri migliori [57, 27, 74], Percentuali di Anticipazioni 57        100.0
27    99.759615
74    99.759615
79    99.519231
58    99.278846
dtype: object
Genova: Numeri migliori [10, 19, 21], Percentuali di Anticipazioni 10        100.0
19    98.561151
21    97.841727
20    97.601918
74    96.642686
dtype: object
Milano: Numeri migliori [82, 15, 16], Percentuali di Anticipazioni 82        100.0
15      99.5338
16    98.135198
14    97.902098
53    97.202797
dtype: object
Napoli: Numeri migliori [45, 52, 13], Percentuali di Anticipazioni 45        100.0
52    96.404494
13     92.58427
76    92.359551
6     91.910112
dtype: object
Palermo: Numeri migliori [2, 87, 30], Percentuali di Anticipazioni 2         100.0
87    98.325359
30     97.84689
38     97.84689
65    97.368421
dtype: object
Roma: Numeri migliori [63, 83, 35], Percentuali di Anticipazioni 63        100.0
83        100.0
35    99.519231
90    99.519231
89    98.798077
dtype: object
Torino: Numeri migliori [81, 85, 5], Percentuali di Anticipazioni 81        100.0
85     98.82904
5     97.892272
42     97.65808
51    97.189696
dtype: object
Venezia: Numeri migliori [86, 53, 65], Percentuali di Anticipazioni 86        100.0
53    98.845266
65    96.997691
89    96.535797
74    95.842956
dtype: object
Nazionale: Numeri migliori [80, 17, 33], Percentuali di Anticipazioni 80        100.0
17    97.927461
33    96.373057
46    95.854922
22    95.336788
dtype: object

lotto_tom75 · 14 Febbraio 2024

lottoLuke ha scritto:

Car.issimo @lotto_tom75 ,nel caso tu abbia tempo e voglia puoi dare un occhiata veloce a questo risultato prodotto .grazie

Codice:

Ti allego una breve relazione sul codice "migliori"
Analisi delle Estrazioni del Lotto per Ruote Specifiche

Il codice fornito è un'applicazione Python che analizza le estrazioni di numeri del lotto per diverse ruote specifiche al fine di identificare i numeri più frequenti e analizzare le loro anticipazioni. La struttura del codice è chiara e ben organizzata, con una serie di passaggi che guidano l'utente attraverso il processo di analisi dei dati.

Struttura e Funzionalità Principali del Codice:

Import delle Librerie: Il codice inizia importando le librerie pandas per la manipolazione dei dati tabellari e matplotlib.pyplot per la visualizzazione grafica. L'importazione di os è utilizzata per la gestione dei file di sistema.

Definizione delle Ruote: Viene definita una lista delle ruote su cui verranno eseguite le analisi. Questo approccio fornisce flessibilità nell'analizzare diverse ruote senza dover modificare il codice principale.

Funzione analizza_ruota(ruota): Questa funzione è il cuore del codice e si occupa di analizzare le estrazioni per una singola ruota. La funzione accetta il nome della ruota come argomento e restituisce i 3 numeri più frequenti e le rispettive percentuali di anticipazioni. La funzione è strutturata in modo chiaro e suddivisa in passaggi logici:

Verifica l'esistenza del file delle estrazioni per la ruota specificata.
Legge le estrazioni dal file e le elabora per ottenere i numeri individuali.
Calcola la frequenza di ciascun numero e identifica i 5 più frequenti.
Determina le anticipazioni per ciascun numero e crea un DataFrame per visualizzare queste informazioni.
Calcola le percentuali di anticipazioni per ciascun numero e le visualizza attraverso un grafico a barre.
Restituisce i primi 3 numeri più frequenti e la media delle percentuali di anticipazioni.
Iterazione sulle Ruote e Stampaggio dei Risultati Finali: Il codice itera su tutte le ruote definite e chiama la funzione analizza_ruota() per ciascuna di esse. Alla fine, stampa i risultati finali che includono i 3 numeri più frequenti e le rispettive percentuali di anticipazioni per ciascuna ruota.

Conclusioni e Potenziale di Miglioramento:

Il codice fornisce uno strumento utile per l'analisi delle estrazioni del lotto, consentendo agli utenti di ottenere una panoramica dettagliata dei numeri più frequenti e delle loro caratteristiche di anticipazione per diverse ruote. Tuttavia, potrebbe essere migliorato aggiungendo una documentazione più dettagliata e commenti esplicativi all'interno del codice per rendere più chiara la comprensione del processo di analisi.

Inoltre, l'aggiunta di funzionalità per l'automazione del download dei dati delle estrazioni e l'aggiornamento automatico delle analisi potrebbe rendere l'applicazione ancora più utile e user-friendly.

Codice:

Top 5 numeri più frequenti per la ruota Bari:
48    428
20    424
15    420
81    416
26    412
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      48   20   15   81   26
0     37   49   37    8   87
1    438   18  139  268    3
2    547    2   48   20  111
3     73  177  199  110   15
4     18   53  217  100    5
..   ...  ...  ...  ...  ...
422  104  107    0    0    0
423   32    0    0    0    0
424  209    0    0    0    0
425   54    0    0    0    0
426    6    0    0    0    0

[427 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
48      48                     100.0
20      20                 99.063232
15      15                 98.126464
81      81                 97.189696
26      26                 96.252927

Top 5 numeri più frequenti per la ruota Cagliari:
56    426
80    422
81    412
1     409
84    408
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      56   80   81   1    84
0     33  334   26   30  152
1     35   11  104    9  223
2    211   42    8  124  108
3    138   23    6  234   45
4     71   19  118   88  101
..   ...  ...  ...  ...  ...
420    3   47    0    0    0
421   96    0    0    0    0
422   55    0    0    0    0
423  111    0    0    0    0
424   54    0    0    0    0

[425 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
56      56                     100.0
80      80                 99.058824
81      81                 96.705882
1        1                      96.0
84      84                 95.764706

Top 5 numeri più frequenti per la ruota Firenze:
57    417
27    416
74    416
79    415
58    414
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      57   27   74   79   58
0     46  117    5  151   90
1     39    8  388  127   10
2     49    8  121  251   94
3    126   55   88   45   30
4     40   65  117  160  480
..   ...  ...  ...  ...  ...
411   51   70   19  113   21
412   14   15   60   48    5
413   66   28  153   37    0
414    9  180   48    0    0
415   80    0    0    0    0

[416 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
57      57                     100.0
27      27                 99.759615
74      74                 99.759615
79      79                 99.519231
58      58                 99.278846

Top 5 numeri più frequenti per la ruota Genova:
10    418
19    412
21    409
20    408
74    404
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      10   19   21   20  74
0     34   84  178   12  55
1     11   67   54   19  63
2    161   30   54   70  31
3      3   29  174  364  71
4    162  144   70   67  57
..   ...  ...  ...  ...  ..
412  106    0    0    0   0
413   76    0    0    0   0
414   65    0    0    0   0
415  111    0    0    0   0
416  109    0    0    0   0

[417 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
10      10                     100.0
19      19                 98.561151
21      21                 97.841727
20      20                 97.601918
74      74                 96.642686

Top 5 numeri più frequenti per la ruota Milano:
82    430
15    428
16    422
14    421
53    418
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      82   15   16  14  53
0     25   56  180  92  22
1    208    6    2  62  92
2     67  111    9  21  29
3    114    5  106  94  83
4     39  207   38  12  36
..   ...  ...  ...  ..  ..
424   19   52    0   0   0
425   79    8    0   0   0
426   42   68    0   0   0
427   47    0    0   0   0
428   48    0    0   0   0

[429 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
82      82                     100.0
15      15                   99.5338
16      16                 98.135198
14      14                 97.902098
53      53                 97.202797

Top 5 numeri più frequenti per la ruota Napoli:
45    446
52    430
13    413
76    412
6     410
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      45   52   13   76   6
0     39   78    8  200   11
1    116   27  107   28    6
2    142  153   22   16  121
3      9   52   94  128   10
4    104  151   16   61   89
..   ...  ...  ...  ...  ...
440  108    0    0    0    0
441   40    0    0    0    0
442   13    0    0    0    0
443   72    0    0    0    0
444   21    0    0    0    0

[445 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
45      45                     100.0
52      52                 96.404494
13      13                  92.58427
76      76                 92.359551
6        6                 91.910112

Top 5 numeri più frequenti per la ruota Palermo:
2     419
87    412
30    410
38    410
65    408
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      2   87   30   38   65
0    104  46   29   47  134
1     51  11  133   46  196
2     29  10  244   44  166
3     90  70  204  103  238
4     49  55  405   60   60
..   ...  ..  ...  ...  ...
413    6   0    0    0    0
414  173   0    0    0    0
415   81   0    0    0    0
416  143   0    0    0    0
417   35   0    0    0    0

[418 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
2        2                     100.0
87      87                 98.325359
30      30                  97.84689
38      38                  97.84689
65      65                 97.368421

Top 5 numeri più frequenti per la ruota Roma:
63    417
83    417
35    415
90    415
89    412
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      63   83   35   90   89
0     26  181   42  144  129
1     30  302   17   85   36
2    107  192   15  102  175
3     19    3   28   40   85
4     12   16  172   34    5
..   ...  ...  ...  ...  ...
411   74   92   47  160    0
412   64    4   21   13    0
413  151  119  151   53    0
414   24   50    0    0    0
415  324   24    0    0    0

[416 rows x 5 columns]
C:\Users\****\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
63      63                     100.0
83      83                     100.0
35      35                 99.519231
90      90                 99.519231
89      89                 98.798077

Top 5 numeri più frequenti per la ruota Torino:
81    428
85    423
5     419
42    418
51    416
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      81   85   5    42   51
0     51  106   17  125   29
1     32    8  100   33  146
2     10   24   15   17   10
3    275   60  121   98   61
4    112   45   44   34   15
..   ...  ...  ...  ...  ...
422   41    0    0    0    0
423  104    0    0    0    0
424   10    0    0    0    0
425   37    0    0    0    0
426  223    0    0    0    0

[427 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
81      81                     100.0
85      85                  98.82904
5        5                 97.892272
42      42                  97.65808
51      51                 97.189696

Top 5 numeri più frequenti per la ruota Venezia:
86    434
53    429
65    421
89    419
74    416
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      86   53   65   89   74
0     37   98   58   65   18
1      2   19   32   73    6
2    126   51   80  235   89
3     27  220  175  151  197
4     60   17   12   53  156
..   ...  ...  ...  ...  ...
428   53    0    0    0    0
429   16    0    0    0    0
430   69    0    0    0    0
431  132    0    0    0    0
432  122    0    0    0    0

[433 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
86      86                     100.0
53      53                 98.845266
65      65                 96.997691
89      89                 96.535797
74      74                 95.842956

Top 5 numeri più frequenti per la ruota Nazionale:
80    194
17    190
33    187
46    186
22    185
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      80  17  33   46   22
0     78  67  96   23   56
1      9   9  94   43   13
2     19  35  79  100   50
3    388  89  51  102  137
4     67  26  88   39   38
..   ...  ..  ..  ...  ...
188   17  89   0    0    0
189  181   0   0    0    0
190   19   0   0    0    0
191   27   0   0    0    0
192   58   0   0    0    0

[193 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
80      80                     100.0
17      17                 97.927461
33      33                 96.373057
46      46                 95.854922
22      22                 95.336788

Risultati finali - 3 numeri migliori e percentuali di anticipazioni per ciascuna ruota:
Bari: Numeri migliori [48, 20, 15], Percentuali di Anticipazioni 48        100.0
20    99.063232
15    98.126464
81    97.189696
26    96.252927
dtype: object
Cagliari: Numeri migliori [56, 80, 81], Percentuali di Anticipazioni 56        100.0
80    99.058824
81    96.705882
1          96.0
84    95.764706
dtype: object
Firenze: Numeri migliori [57, 27, 74], Percentuali di Anticipazioni 57        100.0
27    99.759615
74    99.759615
79    99.519231
58    99.278846
dtype: object
Genova: Numeri migliori [10, 19, 21], Percentuali di Anticipazioni 10        100.0
19    98.561151
21    97.841727
20    97.601918
74    96.642686
dtype: object
Milano: Numeri migliori [82, 15, 16], Percentuali di Anticipazioni 82        100.0
15      99.5338
16    98.135198
14    97.902098
53    97.202797
dtype: object
Napoli: Numeri migliori [45, 52, 13], Percentuali di Anticipazioni 45        100.0
52    96.404494
13     92.58427
76    92.359551
6     91.910112
dtype: object
Palermo: Numeri migliori [2, 87, 30], Percentuali di Anticipazioni 2         100.0
87    98.325359
30     97.84689
38     97.84689
65    97.368421
dtype: object
Roma: Numeri migliori [63, 83, 35], Percentuali di Anticipazioni 63        100.0
83        100.0
35    99.519231
90    99.519231
89    98.798077
dtype: object
Torino: Numeri migliori [81, 85, 5], Percentuali di Anticipazioni 81        100.0
85     98.82904
5     97.892272
42     97.65808
51    97.189696
dtype: object
Venezia: Numeri migliori [86, 53, 65], Percentuali di Anticipazioni 86        100.0
53    98.845266
65    96.997691
89    96.535797
74    95.842956
dtype: object
Nazionale: Numeri migliori [80, 17, 33], Percentuali di Anticipazioni 80        100.0
17    97.927461
33    96.373057
46    95.854922
22    95.336788
dtype: object

Dal vedere come è descritto e strutturato nel suo output sembra una di script python! Complimenti friend ps: che versione del serpentello usi?

Ciccio90 · 14 Febbraio 2024

lottoLuke ha scritto:

Car.issimo @lotto_tom75 ,nel caso tu abbia tempo e voglia puoi dare un occhiata veloce a questo risultato prodotto .grazie

Codice:

Ti allego una breve relazione sul codice "migliori"
Analisi delle Estrazioni del Lotto per Ruote Specifiche

Il codice fornito è un'applicazione Python che analizza le estrazioni di numeri del lotto per diverse ruote specifiche al fine di identificare i numeri più frequenti e analizzare le loro anticipazioni. La struttura del codice è chiara e ben organizzata, con una serie di passaggi che guidano l'utente attraverso il processo di analisi dei dati.

Struttura e Funzionalità Principali del Codice:

Import delle Librerie: Il codice inizia importando le librerie pandas per la manipolazione dei dati tabellari e matplotlib.pyplot per la visualizzazione grafica. L'importazione di os è utilizzata per la gestione dei file di sistema.

Definizione delle Ruote: Viene definita una lista delle ruote su cui verranno eseguite le analisi. Questo approccio fornisce flessibilità nell'analizzare diverse ruote senza dover modificare il codice principale.

Funzione analizza_ruota(ruota): Questa funzione è il cuore del codice e si occupa di analizzare le estrazioni per una singola ruota. La funzione accetta il nome della ruota come argomento e restituisce i 3 numeri più frequenti e le rispettive percentuali di anticipazioni. La funzione è strutturata in modo chiaro e suddivisa in passaggi logici:

Verifica l'esistenza del file delle estrazioni per la ruota specificata.
Legge le estrazioni dal file e le elabora per ottenere i numeri individuali.
Calcola la frequenza di ciascun numero e identifica i 5 più frequenti.
Determina le anticipazioni per ciascun numero e crea un DataFrame per visualizzare queste informazioni.
Calcola le percentuali di anticipazioni per ciascun numero e le visualizza attraverso un grafico a barre.
Restituisce i primi 3 numeri più frequenti e la media delle percentuali di anticipazioni.
Iterazione sulle Ruote e Stampaggio dei Risultati Finali: Il codice itera su tutte le ruote definite e chiama la funzione analizza_ruota() per ciascuna di esse. Alla fine, stampa i risultati finali che includono i 3 numeri più frequenti e le rispettive percentuali di anticipazioni per ciascuna ruota.

Conclusioni e Potenziale di Miglioramento:

Il codice fornisce uno strumento utile per l'analisi delle estrazioni del lotto, consentendo agli utenti di ottenere una panoramica dettagliata dei numeri più frequenti e delle loro caratteristiche di anticipazione per diverse ruote. Tuttavia, potrebbe essere migliorato aggiungendo una documentazione più dettagliata e commenti esplicativi all'interno del codice per rendere più chiara la comprensione del processo di analisi.

Inoltre, l'aggiunta di funzionalità per l'automazione del download dei dati delle estrazioni e l'aggiornamento automatico delle analisi potrebbe rendere l'applicazione ancora più utile e user-friendly.

Codice:

Top 5 numeri più frequenti per la ruota Bari:
48    428
20    424
15    420
81    416
26    412
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      48   20   15   81   26
0     37   49   37    8   87
1    438   18  139  268    3
2    547    2   48   20  111
3     73  177  199  110   15
4     18   53  217  100    5
..   ...  ...  ...  ...  ...
422  104  107    0    0    0
423   32    0    0    0    0
424  209    0    0    0    0
425   54    0    0    0    0
426    6    0    0    0    0

[427 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
48      48                     100.0
20      20                 99.063232
15      15                 98.126464
81      81                 97.189696
26      26                 96.252927

Top 5 numeri più frequenti per la ruota Cagliari:
56    426
80    422
81    412
1     409
84    408
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      56   80   81   1    84
0     33  334   26   30  152
1     35   11  104    9  223
2    211   42    8  124  108
3    138   23    6  234   45
4     71   19  118   88  101
..   ...  ...  ...  ...  ...
420    3   47    0    0    0
421   96    0    0    0    0
422   55    0    0    0    0
423  111    0    0    0    0
424   54    0    0    0    0

[425 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
56      56                     100.0
80      80                 99.058824
81      81                 96.705882
1        1                      96.0
84      84                 95.764706

Top 5 numeri più frequenti per la ruota Firenze:
57    417
27    416
74    416
79    415
58    414
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      57   27   74   79   58
0     46  117    5  151   90
1     39    8  388  127   10
2     49    8  121  251   94
3    126   55   88   45   30
4     40   65  117  160  480
..   ...  ...  ...  ...  ...
411   51   70   19  113   21
412   14   15   60   48    5
413   66   28  153   37    0
414    9  180   48    0    0
415   80    0    0    0    0

[416 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
57      57                     100.0
27      27                 99.759615
74      74                 99.759615
79      79                 99.519231
58      58                 99.278846

Top 5 numeri più frequenti per la ruota Genova:
10    418
19    412
21    409
20    408
74    404
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      10   19   21   20  74
0     34   84  178   12  55
1     11   67   54   19  63
2    161   30   54   70  31
3      3   29  174  364  71
4    162  144   70   67  57
..   ...  ...  ...  ...  ..
412  106    0    0    0   0
413   76    0    0    0   0
414   65    0    0    0   0
415  111    0    0    0   0
416  109    0    0    0   0

[417 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
10      10                     100.0
19      19                 98.561151
21      21                 97.841727
20      20                 97.601918
74      74                 96.642686

Top 5 numeri più frequenti per la ruota Milano:
82    430
15    428
16    422
14    421
53    418
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      82   15   16  14  53
0     25   56  180  92  22
1    208    6    2  62  92
2     67  111    9  21  29
3    114    5  106  94  83
4     39  207   38  12  36
..   ...  ...  ...  ..  ..
424   19   52    0   0   0
425   79    8    0   0   0
426   42   68    0   0   0
427   47    0    0   0   0
428   48    0    0   0   0

[429 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
82      82                     100.0
15      15                   99.5338
16      16                 98.135198
14      14                 97.902098
53      53                 97.202797

Top 5 numeri più frequenti per la ruota Napoli:
45    446
52    430
13    413
76    412
6     410
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      45   52   13   76   6
0     39   78    8  200   11
1    116   27  107   28    6
2    142  153   22   16  121
3      9   52   94  128   10
4    104  151   16   61   89
..   ...  ...  ...  ...  ...
440  108    0    0    0    0
441   40    0    0    0    0
442   13    0    0    0    0
443   72    0    0    0    0
444   21    0    0    0    0

[445 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
45      45                     100.0
52      52                 96.404494
13      13                  92.58427
76      76                 92.359551
6        6                 91.910112

Top 5 numeri più frequenti per la ruota Palermo:
2     419
87    412
30    410
38    410
65    408
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      2   87   30   38   65
0    104  46   29   47  134
1     51  11  133   46  196
2     29  10  244   44  166
3     90  70  204  103  238
4     49  55  405   60   60
..   ...  ..  ...  ...  ...
413    6   0    0    0    0
414  173   0    0    0    0
415   81   0    0    0    0
416  143   0    0    0    0
417   35   0    0    0    0

[418 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
2        2                     100.0
87      87                 98.325359
30      30                  97.84689
38      38                  97.84689
65      65                 97.368421

Top 5 numeri più frequenti per la ruota Roma:
63    417
83    417
35    415
90    415
89    412
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      63   83   35   90   89
0     26  181   42  144  129
1     30  302   17   85   36
2    107  192   15  102  175
3     19    3   28   40   85
4     12   16  172   34    5
..   ...  ...  ...  ...  ...
411   74   92   47  160    0
412   64    4   21   13    0
413  151  119  151   53    0
414   24   50    0    0    0
415  324   24    0    0    0

[416 rows x 5 columns]
C:\Users\****\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
63      63                     100.0
83      83                     100.0
35      35                 99.519231
90      90                 99.519231
89      89                 98.798077

Top 5 numeri più frequenti per la ruota Torino:
81    428
85    423
5     419
42    418
51    416
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      81   85   5    42   51
0     51  106   17  125   29
1     32    8  100   33  146
2     10   24   15   17   10
3    275   60  121   98   61
4    112   45   44   34   15
..   ...  ...  ...  ...  ...
422   41    0    0    0    0
423  104    0    0    0    0
424   10    0    0    0    0
425   37    0    0    0    0
426  223    0    0    0    0

[427 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
81      81                     100.0
85      85                  98.82904
5        5                 97.892272
42      42                  97.65808
51      51                 97.189696

Top 5 numeri più frequenti per la ruota Venezia:
86    434
53    429
65    421
89    419
74    416
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      86   53   65   89   74
0     37   98   58   65   18
1      2   19   32   73    6
2    126   51   80  235   89
3     27  220  175  151  197
4     60   17   12   53  156
..   ...  ...  ...  ...  ...
428   53    0    0    0    0
429   16    0    0    0    0
430   69    0    0    0    0
431  132    0    0    0    0
432  122    0    0    0    0

[433 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
86      86                     100.0
53      53                 98.845266
65      65                 96.997691
89      89                 96.535797
74      74                 95.842956

Top 5 numeri più frequenti per la ruota Nazionale:
80    194
17    190
33    187
46    186
22    185
Name: count, dtype: int64

Anticipazioni per ciascun numero:
      80  17  33   46   22
0     78  67  96   23   56
1      9   9  94   43   13
2     19  35  79  100   50
3    388  89  51  102  137
4     67  26  88   39   38
..   ...  ..  ..  ...  ...
188   17  89   0    0    0
189  181   0   0    0    0
190   19   0   0    0    0
191   27   0   0    0    0
192   58   0   0    0    0

[193 rows x 5 columns]
C:\Users\***\AppData\Local\Programs\Python\Python312\migliori.py:55: FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.
  percentuali_anticipazioni = df_anticipazioni.applymap(lambda x: 0 if pd.isna(x) else x).apply(lambda col: col.apply(lambda x: sum(1 for val in col if val > 0) / len(col) * 100 if x != 0 else pd.NA))

Percentuali di anticipazioni per ciascun numero:
    Numero Percentuale Anticipazioni
80      80                     100.0
17      17                 97.927461
33      33                 96.373057
46      46                 95.854922
22      22                 95.336788

Risultati finali - 3 numeri migliori e percentuali di anticipazioni per ciascuna ruota:
Bari: Numeri migliori [48, 20, 15], Percentuali di Anticipazioni 48        100.0
20    99.063232
15    98.126464
81    97.189696
26    96.252927
dtype: object
Cagliari: Numeri migliori [56, 80, 81], Percentuali di Anticipazioni 56        100.0
80    99.058824
81    96.705882
1          96.0
84    95.764706
dtype: object
Firenze: Numeri migliori [57, 27, 74], Percentuali di Anticipazioni 57        100.0
27    99.759615
74    99.759615
79    99.519231
58    99.278846
dtype: object
Genova: Numeri migliori [10, 19, 21], Percentuali di Anticipazioni 10        100.0
19    98.561151
21    97.841727
20    97.601918
74    96.642686
dtype: object
Milano: Numeri migliori [82, 15, 16], Percentuali di Anticipazioni 82        100.0
15      99.5338
16    98.135198
14    97.902098
53    97.202797
dtype: object
Napoli: Numeri migliori [45, 52, 13], Percentuali di Anticipazioni 45        100.0
52    96.404494
13     92.58427
76    92.359551
6     91.910112
dtype: object
Palermo: Numeri migliori [2, 87, 30], Percentuali di Anticipazioni 2         100.0
87    98.325359
30     97.84689
38     97.84689
65    97.368421
dtype: object
Roma: Numeri migliori [63, 83, 35], Percentuali di Anticipazioni 63        100.0
83        100.0
35    99.519231
90    99.519231
89    98.798077
dtype: object
Torino: Numeri migliori [81, 85, 5], Percentuali di Anticipazioni 81        100.0
85     98.82904
5     97.892272
42     97.65808
51    97.189696
dtype: object
Venezia: Numeri migliori [86, 53, 65], Percentuali di Anticipazioni 86        100.0
53    98.845266
65    96.997691
89    96.535797
74    95.842956
dtype: object
Nazionale: Numeri migliori [80, 17, 33], Percentuali di Anticipazioni 80        100.0
17    97.927461
33    96.373057
46    95.854922
22    95.336788
dtype: object

I migliori su Bari sono 48 20 15?
Se vuoi rispondere ad un imbranato come me. Grazie

lottoLuke · 14 Febbraio 2024

Ciccio90 ha scritto:
I migliori su Bari sono 48 20 15?
Se vuoi rispondere ad un imbranato come me. Grazie

ma certo ci mancherebbe ,il codice ridà come risultato in un primo elenco i migliori per ruota con le percentuali ,in un secondo riassuntivo diciamo un top dei migliori in tre numeri per ruota al cui vertice mi da un numero solo al 100

Esempio
Risultati finali - 3 numeri migliori e percentuali di anticipazioni per ciascuna ruota:
Bari: Numeri migliori [48, 20, 15], Percentuali di Anticipazioni 48 100.0
20 99.063232
15 98.126464
81 97.189696
26 96.252927

e cosi via per le altre ruote ,ora scegliere la ruota diventa un arcano gestibile con le convergenze,
io per curiosità ho bisogno di testarlo per qualche colpo
il codice è in fase di test
spero di poter apportare ulteriori migliorie

valuta solo se hai convergenze @Ciccio90 altro non posso dire
molta cautela quello si ma è inutile anche dirlo.
Buona serata
Lottoluke

lottoLuke · 14 Febbraio 2024

ho visto alcune convergenze con l'81 CA VE .ho anche un altro post ora che ricordo proprio su CA TO

QUI

Ciccio90 · 14 Febbraio 2024

lottoLuke ha scritto:
ma certo ci mancherebbe ,il codice ridà come risultato in un primo elenco i migliori per ruota con le percentuali ,in un secondo riassuntivo diciamo un top dei migliori in tre numeri per ruota al cui vertice mi da un numero solo al 100

Esempio
Risultati finali - 3 numeri migliori e percentuali di anticipazioni per ciascuna ruota:
Bari: Numeri migliori [48, 20, 15], Percentuali di Anticipazioni 48 100.0
20 99.063232
15 98.126464
81 97.189696
26 96.252927

e cosi via per le altre ruote ,ora scegliere la ruota diventa un arcano gestibile con le convergenze,
io per curiosità ho bisogno di testarlo per qualche colpo
il codice è in fase di test
spero di poter apportare ulteriori migliorie

valuta solo se hai convergenze @Ciccio90 altro non posso dire
molta cautela quello si ma è inutile anche dirlo.
Buona serata
Lottoluke

Grazie per la tua gentilezza e disponibilità
Ciao lottoluke

Ciccio90 · 15 Febbraio 2024

lottoLuke ha scritto:
ma certo ci mancherebbe ,il codice ridà come risultato in un primo elenco i migliori per ruota con le percentuali ,in un secondo riassuntivo diciamo un top dei migliori in tre numeri per ruota al cui vertice mi da un numero solo al 100

Esempio
Risultati finali - 3 numeri migliori e percentuali di anticipazioni per ciascuna ruota:
Bari: Numeri migliori [48, 20, 15], Percentuali di Anticipazioni 48 100.0
20 99.063232
15 98.126464
81 97.189696
26 96.252927

e cosi via per le altre ruote ,ora scegliere la ruota diventa un arcano gestibile con le convergenze,
io per curiosità ho bisogno di testarlo per qualche colpo
il codice è in fase di test
spero di poter apportare ulteriori migliorie

valuta solo se hai convergenze @Ciccio90 altro non posso dire
molta cautela quello si ma è inutile anche dirlo.
Buona serata
Lottoluke

Preso il 48 bari.
Gioco il 15. 20 bari per domani?
Grazie lottoluke

lotto_tom75 · 15 Febbraio 2024

BA 48 a colpo

Bravissimo(a)!

Se continua cosi' ti tocca comprarle il brillocco.. davvero!

lottoLuke · 15 Febbraio 2024

va bene è un buon segno ,io guardo come si comporta sto seguendo altro in questo momento.
seguire le ambate al 100 .
Domani vedo inserendo le estrazioni vedo se ci sono novità
sempre cautela
buona serata

*spero di riuscire ad implementare ancora alcune logiche in futuro (posizioni vertibili e ruote gemelle).difficile a progetto già avviato ma ci provo.
saliut

lottoLuke · 15 Febbraio 2024

Ciccio90 ha scritto:
Preso il 48 bari.
Gioco il 15. 20 bari per domani?
Grazie lottoluke

mi spiace ma non dico mai cosa giocare e come è sempre una scelta quest'ultima che deve rimanere a voi in primis o a chi segue .
come detto guarderei solo alle ambate-

lottoLuke · 16 Febbraio 2024

Aggiornamento Codice ,
breve relazione d'introduzione

Codice:

Relazione sull'Analisi dei Numeri Lotto
Introduzione
Questo documento presenta un'analisi dettagliata del codice sviluppato per l'analisi dei numeri estratti nei giochi del Lotto. Il codice, scritto in Python, analizza le estrazioni di numeri per diverse ruote e fornisce informazioni sui numeri più frequenti, i numeri vertibili associati e le percentuali di anticipazioni.

1. Obiettivo
L'obiettivo principale del codice è quello di analizzare le estrazioni dei numeri del Lotto per diverse ruote e fornire agli utenti informazioni utili per migliorare le loro strategie di gioco. Ciò include l'identificazione dei numeri più frequenti, dei numeri vertibili associati e delle percentuali di anticipazioni per i numeri migliori.

2. Implementazione
Il codice è strutturato in diversi passaggi chiave:

Definizione delle Ruote e dei Numeri Vertibili: Inizialmente vengono definite le ruote del Lotto e i numeri vertibili associati a ciascuna ruota.

Analisi delle Estrazioni per Ruota: Per ciascuna ruota, il codice legge i dati delle estrazioni, calcola le frequenze dei numeri estratti e identifica i numeri migliori.

Identificazione dei Numeri Vertibili: Per ogni numero migliore, il codice identifica i numeri vertibili associati tra quelli definiti in precedenza.

Calcolo delle Percentuali di Anticipazioni: Il codice calcola le percentuali di anticipazioni per i numeri migliori e i loro numeri vertibili associati.

Interazione con l'Utente: L'utente ha la possibilità di inserire criteri personalizzati per determinare i numeri migliori, ad esempio basati su superstizioni o strategie personali.

Stampa dei Risultati: Infine, il codice stampa i risultati per ogni ruota, inclusi i numeri migliori, i numeri vertibili associati e le percentuali di anticipazioni.

3. Modifiche Apportate
Il codice è stato migliorato in diversi modi:

Gestione dei Numeri Vertibili: È stata aggiunta la gestione dei numeri vertibili associati ai numeri migliori. Ora vengono identificati, visualizzati e analizzati anche i numeri vertibili.

Personalizzazione dei Criteri: È stata aggiunta la possibilità per gli utenti di inserire criteri personalizzati per determinare i numeri migliori, consentendo una maggiore flessibilità nell'analisi.

Miglioramenti della Presentazione dei Risultati: I risultati stampati sono stati organizzati in modo più chiaro e leggibile, includendo informazioni dettagliate sui numeri migliori e i loro numeri vertibili associati.

4. Conclusioni
Il codice sviluppato fornisce un'analisi completa e dettagliata delle estrazioni dei numeri del Lotto, consentendo agli utenti di prendere decisioni più informate nelle loro scommesse. Le modifiche apportate migliorano l'usabilità e la flessibilità del codice, consentendo agli utenti di personalizzare l'analisi in base alle proprie preferenze.

Ruote Previsioni
Vuoi inserire criteri personalizzati per la ruota Bari? (sì/no): no

Risultati per la ruota Bari:
Numeri migliori: [48, 20, 15]
Numeri Vertibili Presenti: [(48, '48.84'), (20, '02.20'), (15, '15.51'), (81, '18.81'), (26, '26.62')]
Condizioni Migliori:
(48, '48.84'): 0.05%
(20, '02.20'): 0.00%
(15, '15.51'): 0.00%
(81, '18.81'): 0.00%
(26, '26.62'): 0.00%
Vuoi inserire criteri personalizzati per la ruota Cagliari? (sì/no): no

Risultati per la ruota Cagliari:
Numeri migliori: [56, 80, 81]
Numeri Vertibili Presenti: [(56, '56.65'), (80, '08.80'), (81, '18.81'), (84, '48.84')]
Condizioni Migliori:
(56, '56.65'): 0.00%
(80, '08.80'): 0.05%
(81, '18.81'): 0.00%
(84, '48.84'): 0.00%
Vuoi inserire criteri personalizzati per la ruota Firenze? (sì/no): no

Risultati per la ruota Firenze:
Numeri migliori: [57, 27, 74]
Numeri Vertibili Presenti: [(57, '57.75'), (27, '27.72'), (74, '47.74'), (79, '77.79'), (58, '58.85')]
Condizioni Migliori:
(57, '57.75'): 0.05%
(27, '27.72'): 0.19%
(74, '47.74'): 0.00%
(79, '77.79'): 0.00%
(58, '58.85'): 0.00%
Vuoi inserire criteri personalizzati per la ruota Genova? (sì/no): no

Risultati per la ruota Genova:
Numeri migliori: [10, 19, 21]
Numeri Vertibili Presenti: [(10, '01.10'), (19, '11.19'), (21, '12.21'), (20, '02.20'), (74, '47.74')]
Condizioni Migliori:
(10, '01.10'): 0.00%
(19, '11.19'): 0.00%
(21, '12.21'): 0.00%
(20, '02.20'): 0.20%
(74, '47.74'): 0.05%
Vuoi inserire criteri personalizzati per la ruota Milano? (sì/no): no

Risultati per la ruota Milano:
Numeri migliori: [82, 15, 16]
Numeri Vertibili Presenti: [(82, '28.82'), (15, '15.51'), (16, '16.61'), (14, '14.41'), (53, '35.53')]
Condizioni Migliori:
(82, '28.82'): 0.09%
(15, '15.51'): 0.24%
(16, '16.61'): 0.00%
(14, '14.41'): 0.00%
(53, '35.53'): 0.00%
Vuoi inserire criteri personalizzati per la ruota Napoli? (sì/no): no

Risultati per la ruota Napoli:
Numeri migliori: [45, 52, 13]
Numeri Vertibili Presenti: [(45, '45.54'), (52, '25.52'), (13, '13.31'), (76, '67.76')]
Condizioni Migliori:
(45, '45.54'): 0.09%
(52, '25.52'): 0.00%
(13, '13.31'): 0.00%
(76, '67.76'): 0.19%
Vuoi inserire criteri personalizzati per la ruota Palermo? (sì/no): no

Risultati per la ruota Palermo:
Numeri migliori: [2, 87, 30]
Numeri Vertibili Presenti: [(87, '78.87'), (30, '03.30'), (38, '38.83'), (65, '56.65')]
Condizioni Migliori:
(87, '78.87'): 0.05%
(30, '03.30'): 0.00%
(38, '38.83'): 0.24%
(65, '56.65'): 0.00%
Vuoi inserire criteri personalizzati per la ruota Roma? (sì/no): no

Risultati per la ruota Roma:
Numeri migliori: [63, 83, 35]
Numeri Vertibili Presenti: [(63, '36.63'), (83, '38.83'), (35, '35.53'), (90, '09.90'), (89, '88.89')]
Condizioni Migliori:
(63, '36.63'): 0.00%
(83, '38.83'): 0.00%
(35, '35.53'): 0.00%
(90, '09.90'): 0.05%
(89, '88.89'): 0.05%
Vuoi inserire criteri personalizzati per la ruota Torino? (sì/no): no

Risultati per la ruota Torino:
Numeri migliori: [81, 85, 5]
Numeri Vertibili Presenti: [(81, '18.81'), (85, '58.85'), (42, '24.42'), (51, '15.51')]
Condizioni Migliori:
(81, '18.81'): 0.10%
(85, '58.85'): 0.00%
(42, '24.42'): 0.05%
(51, '15.51'): 0.00%
Vuoi inserire criteri personalizzati per la ruota Venezia? (sì/no): no

Risultati per la ruota Venezia:
Numeri migliori: [86, 53, 65]
Numeri Vertibili Presenti: [(86, '68.86'), (53, '35.53'), (65, '56.65'), (89, '88.89'), (74, '47.74')]
Condizioni Migliori:
(86, '68.86'): 0.00%
(53, '35.53'): 0.00%
(65, '56.65'): 0.05%
(89, '88.89'): 0.00%
(74, '47.74'): 0.00%
Vuoi inserire criteri personalizzati per la ruota Nazionale? (sì/no): no

Risultati per la ruota Nazionale:
Numeri migliori: [80, 17, 33]
Numeri Vertibili Presenti: [(80, '08.80'), (17, '17.71'), (33, '33.39'), (46, '46.64'), (22, '22.29')]
Condizioni Migliori:
(80, '08.80'): 0.00%
(17, '17.71'): 0.00%
(33, '33.39'): 0.00%
(46, '46.64'): 0.00%
(22, '22.29'): 0.32%

Risultati finali - Numeri migliori, numeri vertibili presenti e condizioni migliori per ciascuna ruota:
Bari:
Numeri migliori: [48, 20, 15]
Numeri Vertibili Presenti: [(48, '48.84'), (20, '02.20'), (15, '15.51'), (81, '18.81'), (26, '26.62')]
Condizioni Migliori:
(48, '48.84'): 0.05%
Cagliari:
Numeri migliori: [56, 80, 81]
Numeri Vertibili Presenti: [(56, '56.65'), (80, '08.80'), (81, '18.81'), (84, '48.84')]
Condizioni Migliori:
(80, '08.80'): 0.05%
Firenze:
Numeri migliori: [57, 27, 74]
Numeri Vertibili Presenti: [(57, '57.75'), (27, '27.72'), (74, '47.74'), (79, '77.79'), (58, '58.85')]
Condizioni Migliori:
(57, '57.75'): 0.05%
(27, '27.72'): 0.19%
Genova:
Numeri migliori: [10, 19, 21]
Numeri Vertibili Presenti: [(10, '01.10'), (19, '11.19'), (21, '12.21'), (20, '02.20'), (74, '47.74')]
Condizioni Migliori:
(20, '02.20'): 0.20%
(74, '47.74'): 0.05%
Milano:
Numeri migliori: [82, 15, 16]
Numeri Vertibili Presenti: [(82, '28.82'), (15, '15.51'), (16, '16.61'), (14, '14.41'), (53, '35.53')]
Condizioni Migliori:
(82, '28.82'): 0.09%
(15, '15.51'): 0.24%
Napoli:
Numeri migliori: [45, 52, 13]
Numeri Vertibili Presenti: [(45, '45.54'), (52, '25.52'), (13, '13.31'), (76, '67.76')]
Condizioni Migliori:
(45, '45.54'): 0.09%
(76, '67.76'): 0.19%
Palermo:
Numeri migliori: [2, 87, 30]
Numeri Vertibili Presenti: [(87, '78.87'), (30, '03.30'), (38, '38.83'), (65, '56.65')]
Condizioni Migliori:
(87, '78.87'): 0.05%
(38, '38.83'): 0.24%
Roma:
Numeri migliori: [63, 83, 35]
Numeri Vertibili Presenti: [(63, '36.63'), (83, '38.83'), (35, '35.53'), (90, '09.90'), (89, '88.89')]
Condizioni Migliori:
(90, '09.90'): 0.05%
(89, '88.89'): 0.05%
Torino:
Numeri migliori: [81, 85, 5]
Numeri Vertibili Presenti: [(81, '18.81'), (85, '58.85'), (42, '24.42'), (51, '15.51')]
Condizioni Migliori:
(81, '18.81'): 0.10%
(42, '24.42'): 0.05%
Venezia:
Numeri migliori: [86, 53, 65]
Numeri Vertibili Presenti: [(86, '68.86'), (53, '35.53'), (65, '56.65'), (89, '88.89'), (74, '47.74')]
Condizioni Migliori:
(65, '56.65'): 0.05%
Nazionale:
Numeri migliori: [80, 17, 33]
Numeri Vertibili Presenti: [(80, '08.80'), (17, '17.71'), (33, '33.39'), (46, '46.64'), (22, '22.29')]
Condizioni Migliori:
(22, '22.29'): 0.32%

lottoLuke · 16 Febbraio 2024

lottoLuke ha scritto:
va bene è un buon segno ,io guardo come si comporta sto seguendo altro in questo momento.
seguire le ambate al 100 .
Domani vedo inserendo le estrazioni vedo se ci sono novità
sempre cautela
buona serata

*spero di riuscire ad implementare ancora alcune logiche in futuro (posizioni vertibili e ruote gemelle).difficile a progetto già avviato ma ci provo.
saliutI

@Ciccio90

*******NUOVA VERSIONE CODICE
Palermo:
Numeri migliori: [2, 87, 30]
Numeri Vertibili Presenti: [(87, '78.87'), (30, '03.30'), (38, '38.83'), (65, '56.65')]
Condizioni Migliori:
(87, '78.87'): 0.05%
(38, '38.83'): 0.24% 1 colpo quasi AMBO...Porca...
Nazionale:
Numeri migliori: [80, 17, 33]
Numeri Vertibili Presenti: [(80, '08.80'), (17, '17.71'), (33, '33.39'), (46, '46.64'), (22, '22.29')]
Condizioni Migliori:
(22, '22.29'): 0.32% 1 colpo
Napoli:
Numeri migliori: [45, 52, 13]
Numeri Vertibili Presenti: [(45, '45.54'), (52, '25.52'), (13, '13.31'), (76, '67.76')]
Condizioni Migliori:
(45, '45.54'): 0.09%
(76, '67.76'): 0.19% 1 colpo

è ufficiale ho creato Lucy ,ma da oggi ti chiamo Cortana ti si addice meglio .
è davvero interessante che sono uscite in linea quelle con percentuale piu alta.
PAZZESCO AL 1 COLPO

E' Sempre la mano che fa la differenza......
*******1 VERSIONE CODICE
Bari: Numeri migliori [48, 20, 15], Percentuali di Anticipazioni 48 100.0
20 99.063232%
15 98.126464%
81 97.189696%
26 96.252927 % ******* 2 COLPO......
Napoli: Numeri migliori [45, 52, 13], Percentuali di Anticipazioni 45 100.0
52 96.404494%
13 92.58427%
76 92.359551%**** 2 COLPO +Ambetto 76. 7........
6 91.910112 %
Palermo: Numeri migliori [2, 87, 30], Percentuali di Anticipazioni 2 100.0
87 98.325359%
30 97.84689%
38 97.84689%
65 97.368421%****2 COLPO + Ambetto 38.65
Nazionale: Numeri migliori [80, 17, 33], Percentuali di Anticipazioni 80 100.0
17 97.927461%
33 96.373057%
46 95.854922%
22 95.336788% ***** 2 COLPO

lottoLuke · 16 Febbraio 2024

CORTANA fa davvero i numeri. domenica cerco di metterlo a punto .

lotto_tom75 · 16 Febbraio 2024

Davvero incredibile friend! Complimentissimi!!!

ps: un consiglio per evitare che ced ti(ci) rimetta il tempo per la modifica dei post: Aggiungi gli esiti in altro post ovvero non modificare quelli della previsione perchè anche se lo fai in buona fede appunto non è permesso.

lottoLuke · 17 Febbraio 2024

lotto_tom75 ha scritto:
Davvero incredibile friend! Complimentissimi!!!

ps: un consiglio per evitare che ced ti(ci) rimetta il tempo per la modifica dei post: Aggiungi gli esiti in altro post ovvero non modificare quelli della previsione perchè anche se lo fai in buona fede appunto non è permesso.

buongiorno @lotto_tom75 perdona ma non capisco, i post originali : relazioni e previsioni, sono intatti senza alcuna modifica di questo t3d, ,ho solo eseguito un copia e incolla nei post successivi prelevando parte della previsione ed evidenziandone i risultati.
Credo di non aver intaccato le regole ,forse mi sbaglio o non ho capito bene.
saluti
Lottoluke

lotto_tom75 · 17 Febbraio 2024

lottoLuke ha scritto:
buongiorno @lotto_tom75 perdona ma non capisco, i post originali : relazioni e previsioni, sono intatti senza alcuna modifica di questo t3d, ,ho solo eseguito un copia e incolla nei post successivi prelevando parte della previsione ed evidenziandone i risultati.
Credo di non aver intaccato le regole ,forse mi sbaglio o non ho capito bene.
saluti
Lottoluke

Ciao luke

è solo che forse ced o altri non cliccano sempre su "spoiler" e quindi potrebbero non vedere la previsione iniziale e pensar erroneamente male...

lottoLuke · 17 Febbraio 2024

capisco,grazie le prossime terro' presente
,ho pensato che cosi facendo il trd sarebbe stato piu compresso e semplice ,ma è il mio modo di vedere con chiarezza gli argomenti .

ciccioriccio · 17 Febbraio 2024

Scusate amici cosa è in gioco per stasera?

"CORTANA e i suoi codici"

Banned

Advanced Premium Member

Advanced Member >PLATINUM<

Banned

Banned

Advanced Member >PLATINUM<

Advanced Member >PLATINUM<

Advanced Premium Member

Banned

Banned

Banned

Banned

Banned

Advanced Premium Member

Banned

Advanced Premium Member

Banned

Advanced Member >PLATINUM PLUS<