⚽ 유럽 축구 경기 데이터 기반 승리 요인 분석

📌 프로젝트 개요

본 프로젝트는 유럽 3대 축구 리그(EPL, 분데스리가, 라리가)의 경기 데이터를 활용하여 승리에 영향을 미치는 주요 요인을 분석한 빅데이터 프로젝트입니다.

축구 경기에서는 점유율, 유효슈팅, 코너킥, 파울 등 다양한 경기 지표가 발생합니다. 본 연구에서는 이러한 경기 데이터를 기반으로 승리와 가장 관련성이 높은 변수를 탐색하고, 리그별 경기 스타일 차이를 분석하였습니다.

또한 HDFS, Hive, Spark 기반의 빅데이터 처리 환경을 구축하고 머신러닝 모델을 활용하여 경기 결과 예측을 수행하였습니다.

---

🎯 연구 목표

1. 점유율이 실제로 승리에 영향을 미치는가?
2. 승리와 가장 관련성이 높은 변수는 무엇인가?
3. 리그마다 승리 요인이 다른가?
4. 머신러닝 모델을 통해 승패를 예측할 수 있는가?

---

🗂 데이터 소개

데이터 출처

• European Soccer Database (Kaggle) (URL: https://www.kaggle.com/datasets/hugomathien/soccer?resource=download)

데이터 규모

• 약 25,000 경기 데이터
• 11개 유럽 리그
• 10,000명 이상의 선수 정보
• 원본 데이터 크기 약 300MB

사용 데이터

• Match
• League
• Team
• Team_Attributes
• Player_Attributes

---

🛠 기술 스택

분야	사용 기술
데이터 저장	HDFS
데이터 웨어하우스	Hive
데이터 분석	Spark SQL, PySpark
머신러닝	Scikit-learn
시각화	Plotly, Matplotlib
개발 언어	Python

---

📊 데이터 처리 파이프라인

SQLite DB
    ↓
CSV 변환
    ↓
Google Drive 업로드
    ↓
gdown 다운로드
    ↓
XML 파싱
    ↓
HDFS 적재
    ↓
Hive 테이블 생성
    ↓
Spark SQL 분석
    ↓
PySpark 분석
    ↓
EDA
    ↓
Machine Learning

---

🔧 데이터 전처리

원본 데이터는 SQLite 형식으로 제공되었으며 CSV 형태로 변환 후 HDFS에 적재하였습니다.

경기 이벤트 데이터는 XML 형태로 저장되어 있어 PySpark UDF와 정규표현식을 활용하여 분석 가능한 형태로 변환하였습니다.

추출 변수

• home_shoton_count
• away_shoton_count
• home_corner_count
• away_corner_count
• home_foul_count
• away_foul_count
• home_possession
• away_possession

생성 변수

• shoton_diff
• corner_diff
• foul_diff
• possession_diff

추가 머신러닝 실험에서는 다음 변수를 생성하였습니다.

• home_win_rate
• away_win_rate
• win_rate_diff

무승부 경기는 제외하여 승패가 결정된 경기만 분석에 사용하였습니다.

---

📈 EDA 분석

분석 내용

• 점유율 50% 이상/미만 승률 비교
• 점유율 구간별 승률 분석
• 홈 어드밴티지 분석
• 홈팀 점유율 우세 시 승률 분석
• 승리와 경기 변수 간 상관관계 분석
• 리그별 평균 비교 분석

---

점유율과 승률

리그	점유율 50% 이상 승률	점유율 50% 미만 승률
EPL	51.90%	36.54%
Bundesliga	51.72%	36.41%
La Liga	58.60%	31.69%

주요 결과

• 세 리그 모두 점유율이 높은 팀의 승률이 더 높게 나타남
• 라리가는 약 26.9%p 차이로 가장 큰 영향력을 보임
• 점유율과 승률의 관계는 라리가에서 가장 강하게 나타남

---

승리와의 상관관계

전체 리그 기준

변수	상관계수
점유율 차이	0.178
유효슈팅 차이	0.112
코너킥 차이	0.041
파울 차이	-0.076

주요 결과

• 점유율 차이가 승리와 가장 높은 상관관계를 보임
• 유효슈팅은 양의 상관관계를 가짐
• 코너킥은 승리와 거의 관련이 없음
• 파울은 음의 상관관계를 보임

---

리그별 특징

EPL

• 점유율 중심 리그
• 점유율 상관계수: 0.225
• 유효슈팅보다 점유율이 더 중요

Bundesliga

• 공격 효율 중심 리그
• 유효슈팅 상관계수: 0.123
• 점유율 상관계수: 0.060

La Liga

• 경기 지배형 리그
• 점유율 상관계수: 0.244
• 유효슈팅 상관계수: 0.189

---

🤖 머신러닝

사용 모델

• Logistic Regression
• Random Forest

입력 변수

• shoton_diff
• corner_diff
• foul_diff
• possession_diff

---

기본 모델 성능

리그	Logistic Regression	Random Forest
EPL	63.2%	63.0%
Bundesliga	59.0%	64.5%
La Liga	64.2%	61.8%

---

승률 관련 변수 추가

추가 변수

• home_win_rate
• away_win_rate
• win_rate_diff

성능 향상 결과

리그	기존 정확도	향상 후 정확도
EPL	63.2%	74.0%
Bundesliga	59.0%	69.8%
La Liga	64.2%	77.9%

주요 결과

• 모든 리그에서 정확도 상승
• win_rate_diff가 가장 중요한 변수로 나타남
• 팀 전력이 경기 결과를 가장 잘 설명함

---

🔍 핵심 인사이트

1. 점유율은 승리에 긍정적인 영향을 준다.

세 리그 모두 점유율이 높은 팀의 승률이 더 높게 나타났다.

2. 리그별 승리 공식이 다르다.

• EPL → 점유율 중심 리그
• Bundesliga → 공격 효율 중심 리그
• La Liga → 점유율 + 공격 효율 중심 리그

3. 점유율은 가장 강력한 경기 변수였다.

상관관계 분석과 머신러닝 분석 모두에서 중요한 변수로 나타났다.

4. 팀 전력이 경기 결과를 가장 잘 설명한다.

승률 차이(win_rate_diff)를 추가하자 최대 77.9%의 정확도를 기록하였다.

5. EDA와 머신러닝 결과가 동일하게 나타났다.

EDA에서 발견한 패턴이 머신러닝 모델에서도 재현되어 분석 결과의 신뢰성을 높였다.

---

🚀 확장 가능성

• xG(Expected Goals) 데이터 추가
• 선수 시장 가치 데이터 활용
• 실시간 경기 예측 시스템 구축
• XGBoost, LightGBM 모델 적용
• 챔피언스리그 및 타 리그 확장 분석

---

📁 프로젝트 구조

football-bigdata-project/
│
├── README.md
├── data/
├── src/
│   ├── analyze
│   ├── average_comparison.py
│   ├── correlation_analysis.py
│   ├── logistic_regression.py
│   ├── random_forest.py
│   └── visualization.py
│
├── ingest
│   ├── sqlite_to_csv.py
│   ├── create_tables.sql
│   └── create_analysis_stats.sql
│
├── pipeline
│   ├── process.py
│   ├── create_ml_features.py
│   └── create_winrate_features.py
│
└── utils
    └── feature_extraction.py
│
├── results/
└── report/

실행 가이드

1. SQLite → CSV 변환

python src/ingest/sqlite_to_csv.py

2. Hive 테이블 생성

hive -f src/ingest/create_tables.sql

3. 분석 테이블 생성

hive -f src/ingest/create_analysis_stats.sql

4. Feature 생성

python src/pipeline/process.py

python src/pipeline/create_ml_features.py

python src/pipeline/create_winrate_features.py

5. 통계 분석

python src/analyze/data_analyze.py

python src/analyze/correlation_analysis.py

python src/analyze/average_comparison.py

6. 머신러닝

python src/analyze/logistic_regression.py

python src/analyze/random_forest.py

7. 시각화

python src/analyze/visualization.py

---

commit 내역

1. 프로젝트 초기 설정 (2026-05-09)

• GitHub Repository 생성
• 데이터 스키마 정의
• 데이터 수집 스크립트 작성
• Spark / MapReduce 처리 코드 구성
• Docker Compose 환경 설정
• .gitignore 설정
• README 초안 작성

2. 데이터 수집 및 적재 (2026-06-04 ~ 2026-06-06)

• SQLite 데이터베이스 추출
• CSV 변환 파이프라인 구현
• 리그, 팀, 경기, 통계 테이블 생성
• analysis_stats 분석 테이블 생성

3. Feature Engineering (2026-06-01)

• 머신러닝용 Feature 생성
• 홈/원정 승률 Feature 생성
• XML 기반 경기 통계 Feature 추출

4. 머신러닝 모델 구현 (2026-06-01)

• Logistic Regression 모델 구현
• League별 Logistic Regression 분석
• Random Forest 모델 구현
• League별 Random Forest 분석

5. 데이터 분석 및 시각화 (2026-06-01 ~ 2026-06-12)

• 경기 지표 상관관계 분석
• 리그별 평균 비교 분석
• 승패 영향 요인 분석
• 리그별 성능 시각화
• 분석 코드 리팩토링 및 최적화

6. 문서화 및 프로젝트 정리 (2026-05-25 ~ 2026-06-12)

• README 작성 및 보완
• 프로젝트 구조 정리
• 실행 가이드 추가
• 최종 제출용 문서 정리

---

📚 참고자료

• European Soccer Database (Kaggle)
• Apache Hadoop
• Apache Hive
• Apache Spark
• Scikit-learn

---

🤖 AI 활용 내역

• XML 파싱 방법 학습
• 코드 오류 해결
• 데이터 시각화 아이디어 도출
• 보고서 작성 보조
• 그래프 표현 방식 개선