Uma posição volátil, no futebol (tanto no Brasil quanto fora), é a posição de técnico. Uma prática comum é substituir o treinador após alguns resultados negativos. Naturalmente, um time que não troca o técnico não é garantia de sucesso no campeonato. Assim, surge a dúvida:
Para atacar esse problema, será disponibilizado um arquivo json com todos os dados do Campeonato Brasileiro de 2019. Para ler um arquivo json, basta importar o módulo 'pandas' com o comando: import pandas as pd. Para ler um arquivo json, utilize o método:
dados = pd.read_json('nome_do_arquivo.json')
Para acessar os valores, basta olhar os nomes presentes nas linhas e colunas. Por exemplo:
dados[2][1], sendo que:
Primeiro índice -> Número da rodada
Segundo índice -> Número da partida
Isso nos dá acesso a um dicionário com todas as informações da partida em questão, que nos permite acessar os valores utilizando as suas chaves.
#Nós importamos os dados utilizando a biblioteca Pandas para visualizarmos o arquivo json com a tabela
import pandas as pd
dados = pd.read_json('brasileirao-2019.json')
dados
Para começar a nossa análise primeiro começamos a tratar os dados que nos foram fornecidos. Para obter a resposta, precisamos dos seguintes dados:
- Uma lista com o nome de todos os Treinadores
- Uma lista com o nome de todos os times
- As pontuações e demais estatísticas da partida
- A sua classificação baseada na pontuação
- Todos os técnicos que passaram pelo time, e a quantidade de jogos em que atuaram com os mesmos
- Qual foi o técnico que mais atuou em cada time e a quantidade de jogos
Para consultarmos o técnico de um determinado time, podemos acessar o dataframe da seguinte forma:
dados[número da rodada][número do jogo]['coach']
(O índice 'coach' é uma chave do dicionário de informações presente na célula em questão)
Com isso, podemos criar uma lista com todos os técnicos
#Criamos uma lista para armazenar o nome de todos os treinadores do campeonato
lista_tecnicos = []
#Este for irá percorrer todos os dados e ir armazenando os treinadores com base nas partidas jogadas
for rodada in dados: #1 ao 38
for jogo in range(len(dados[rodada])): #1 ao 10
lista_tecnicos.append(dados[rodada][jogo]['coach']['home'])
lista_tecnicos.append(dados[rodada][jogo]['coach']['away'])
lista_tecnicos = list(set(lista_tecnicos)) #Elimina as duplicas utilizando o set
lista_tecnicos
Com isso, da mesma forma, também podemos criar uma lista com todos os times.
Também se atentamos em selecionar todos os nomes dentro das chaves 'home' e 'away'(que representam times que jogaram em casa e fora respectivamente), para ter certeza de que nenhum nome ficaria de fora
# Lista com o nome de todos os times
lista_times = []
for rodada in dados: #1 ao 38
for jogo in range(len(dados[rodada])): #1 ao 10
lista_times.append(dados[rodada][jogo]['clubs']['home'])
lista_times.append(dados[rodada][jogo]['clubs']['away'])
lista_times = list(set(lista_times)) #Elimina as duplicas utilizando o set
lista_times
E com essa informação, conseguimos criar uma estrutura de dados para relacionar o nome do time, os técnicos e todos os jogos que os mesmos atuaram entre si
# Para armazenarmos a quantidade de jogos que um treinador teve para os respectivos clubes que ele treinou, criamos uma nova variável
partidas = {}
# Este for cria um dicionário com o nome de cada um dos times, os seus respectivos treinadores e
# quantas partidas o treinador atuou pelo time (inicialmente 0)
for coach in lista_tecnicos:
for time in lista_times:
partidas[time] = {coach : 0 for coach in lista_tecnicos}
for coach in lista_tecnicos:
for time in lista_times:
partidas[time][coach] = 0
# Aqui preenchemos a quantidade de vezes que o técnico treinou o time
for rodada in dados: #1 ao 38
for jogo in range(len(dados[rodada])): #0 ao 9
time_casa = dados[rodada][jogo]['clubs']['home']
coach_casa = dados[rodada][jogo]['coach']['home']
time_fora = dados[rodada][jogo]['clubs']['away']
coach_fora = dados[rodada][jogo]['coach']['away']
partidas[time_casa][coach_casa] += 1
partidas[time_fora][coach_fora] += 1
partidas
Com o dicionário partidas preenchido, filtramos os técnicos, deixando somente os mais longevos de cada time
mais_longevo = {}
for time in lista_times:
partida_mais_longeva = 0
mais_longevo[time] = {}
for coach in lista_tecnicos:
if partidas[time][coach] > partida_mais_longeva:
partida_mais_longeva = partidas[time][coach]
mais_longevo[time] = {coach: partida_mais_longeva}
mais_longevo
Também precisamos das pontuações do time para definirmos a classificação, com isso criamos uma outra estrutura de dados chamada tabela_times que apenas extrai os respectivos dados do dataframe e os armazena
tabela_times = {}
for i in lista_times:
tabela_times[i] = {'Jogos': 0, # Qtde de jogos
'PTS': 0, # Qtde de pontos totais
'VIT': 0, # Qtde de vitórias
'EMP': 0, # Qtde de empates
'DER': 0, # Qtde de derrotas
'GM': 0, # Qtde de gols marcados
'GC': 0, # Qtde de gols contra (sofridos)
'SG': 0} # Saldo de Gols
for rodada in dados: #1 ao 38
for jogo in range(len(dados[rodada])): #0 ao 9
time_casa = dados[rodada][jogo]['clubs']['home']
time_fora = dados[rodada][jogo]['clubs']['away']
golcasa = int(dados[rodada][jogo]["goals"]["home"])
golfora = int(dados[rodada][jogo]["goals"]["away"])
if golcasa > golfora:
#REFERENTE AO TIME DA CASA:
tabela_times[time_casa]["PTS"] += 3
tabela_times[time_casa]["VIT"] += 1
tabela_times[time_casa]["Jogos"] += 1
tabela_times[time_casa]["GM"] += golcasa
tabela_times[time_casa]["GC"] += golfora
tabela_times[time_casa]["SG"] += golcasa - golfora
#REFERENTE AO TIME FORA
tabela_times[time_fora]["DER"] += 1
tabela_times[time_fora]["Jogos"] += 1
tabela_times[time_fora]["GM"] += golfora
tabela_times[time_fora]["GC"] += golcasa
tabela_times[time_fora]["SG"] += golfora - golcasa
elif golcasa < golfora:
#REFERENTE AO TIME FORA:
tabela_times[time_fora]["PTS"] += 3
tabela_times[time_fora]["VIT"] += 1
tabela_times[time_fora]["Jogos"] += 1
tabela_times[time_fora]["GM"] += golfora
tabela_times[time_fora]["GC"] += golcasa
tabela_times[time_fora]["SG"] += golfora - golcasa
#REFERENTE AO TIME CASA
tabela_times[time_casa]["DER"] += 1
tabela_times[time_casa]["Jogos"] += 1
tabela_times[time_casa]["GM"] += golcasa
tabela_times[time_casa]["GC"] += golfora
tabela_times[time_casa]["SG"] += golcasa - golfora
else:
#REFERENTE AO TIME DA CASA:
tabela_times[time_casa]["PTS"] += 1
tabela_times[time_casa]['EMP'] += 1
tabela_times[time_casa]["Jogos"] += 1
tabela_times[time_casa]["GM"] += golcasa
tabela_times[time_casa]["GC"] += golfora
tabela_times[time_casa]["SG"] += golcasa - golfora
#REFERENTE AO TIME FORA
tabela_times[time_fora]["PTS"] += 1
tabela_times[time_fora]['EMP'] += 1
tabela_times[time_fora]["Jogos"] += 1
tabela_times[time_fora]["GM"] += golfora
tabela_times[time_fora]["GC"] += golcasa
tabela_times[time_fora]["SG"] += golfora - golcasa
tabela_times
Com a pontuação definida, criamos a lista classificacao para definir a classificação dos times no campeonato utilizando o algoritimo de ordenação Bubble Sort para ordenar a lista do menor para o maior baseado em suas pontuações
classificacao = [['Time','Pontos','Vitórias','Empates','Derrotas','Gols Marcados','Gols Sofridos','Saldo de Gols']]
for time in tabela_times:
classificacao.append([time, tabela_times[time]['PTS'], tabela_times[time]['VIT'], tabela_times[time]['EMP'], tabela_times[time]['DER'],tabela_times[time]['GM'],tabela_times[time]['GC'],tabela_times[time]['SG']])
# Dentro da tupla
# 0 - Time (nome)
# 1 - Pontos (PTS)
# 2 - Vitórias (VIT)
# 3 - Empates (EMP)
# 4 - Derrotas (DER)
# 5 - Gols marcados (GM)
# 6 - Gols Sofridos (GC)
# 7 - Saldo de gols (SG)
#
for i in range(1, len(classificacao)):
for j in range(1, len(classificacao) - i):
if classificacao[j][1] < classificacao[j + 1][1]:
classificacao[j], classificacao[j + 1] = classificacao[j + 1], classificacao[j]
classificacao = list(enumerate(classificacao))
classificacao
No final observamos que houveram algumas situações de empates:
Empates em pontuação:
Santos e Palmeiras 74pts
Vasco da Gama e Bahia 49pts
Chapecoense e CSA 32pts
Neste caso o Vasco da Gama ficou antes do Bahia e o Chapecoense ficou antes do CSA. Se analisarmos a classificação do Brasileirão de 2019 na internet, notamos que essa ordem é inversa, por conta do critério de desempate utilizado no campeonato, que resumido se baseia em:
- Maior quantidade de vitórias
- Maior saldo de gols
- Maior quantidade de gols marcados
Então, de volta ao Bubble Sort, aplicamos os critérios de desmpate e reordenamos a lista
# Critérios de desempate (NESTA ORDEM)
# Maior quantidade de vitórias indice[2]
# Maior saldo de gols indice[7]
# Maior quantidade de gols marcados indice[5]
for i in range(1, len(classificacao)):
for j in range(1, len(classificacao) - i):
if (classificacao[j][1] == classificacao[j + 1][1]):
# Verifica se a Quantidade de vitórias é igual ou menor
if (classificacao[j][2] < classificacao[j + 1][2]):
classificacao[j], classificacao[j + 1] = classificacao[j + 1], classificacao[j]
#Se a vitoria for igual, muda o criterio de desempate:
elif (classificacao[j][2] == classificacao[j + 1][2]):
# Se a quantidade do 'Saldo de gols' do item j for menor do que o próximo item
if classificacao[j][7] < classificacao[j + 1][7]:
classificacao[j], classificacao[j + 1] = classificacao[j + 1], classificacao[j]
# Se empatar no saldo de gols, verificar gols marcados
elif classificacao[j][7] == classificacao[j + 1][7]:
# Se a quantidade de gols marcados do item j for menor do que o próximo item
if classificacao[j][5] < classificacao[j + 1][5]:
classificacao[j], classificacao[j + 1] = classificacao[j + 1], classificacao[j]
Com isso temos a classificação final do campeonato com as respectivas pontuações
dados_impressao = [(item[0], item[1]) for item in classificacao]
for row in dados_impressao:
print(f"{row[0]:<3} | {row[1][0]:<15} | {row[1][1]:<10} | {row[1][2]:<10} | {row[1][3]:<10} | {row[1][4]:<10} | {row[1][5]:<15} | {row[1][6]:<15} | {row[1][7]}")
E utilizando as informações tratadas anteriormente, também conseguimos visualizar os times em ordem de classificação por pontos e seus respectivos técnicos mais longevos com a quantidade de partidas que o mesmo atuou no time
class_tecnico_longevo = []
tecnicos = list(mais_longevo.values())
for i in range(1, len(classificacao)):
for chave, valor in mais_longevo.items():
for treinador in valor.keys():
if classificacao[i][1][0] == chave:
print(f"Colocação:{classificacao[i][0]:2d} | {classificacao[i][1][0]:<15} | Técnico mais longevo: {treinador:<28} | Qtde de partidas: {mais_longevo[chave][treinador]}")
Com as classificações e a quantidade de partidas que o técnico mais longevo atuo no time que fiocu na determinada classificação, podemos relacionar esses dados em um grafico de linhas para observar se há alguma relação entre a longevidade dos técnicos nos times e sua classificação
# classificacao[x][1][0] Acessa os nomes dos times
# classificacao[1][0] Acessa a classificação dos times
import matplotlib.pyplot as plt
dados_plotagem = []
dados_plotagem_x = []
dados_plotagem_y = []
for i in range(1, len(classificacao)):
nome_time = classificacao[i][1][0]
tec_mais_longevo = list(mais_longevo[nome_time].items())
dados_plotagem.append((classificacao[i][0], tec_mais_longevo[0][1]))
for x, y in dados_plotagem:
dados_plotagem_x.append(x)
dados_plotagem_y.append(y)
plt.figure(figsize=(8,6))
plt.title('Campeonato Brasileiro 2019')
plt.scatter(dados_plotagem_x, dados_plotagem_y)
plt.xlabel('Posição')
plt.ylabel('Técnico mais longevo (rodadas)')
plt.xscale('linear')
plt.xticks(dados_plotagem_x)
plt.yticks(dados_plotagem_y)
plt.plot(dados_plotagem_x, dados_plotagem_y, linestyle='--', marker='o', color='red', label='Linha de Conexão')
plt.show()
Precisávamos responder a seguinte pergunta:
Com isso em mente, e analisando o gráfico, podemos concluir que:
- Mesmo times com técnicos pouco longevos, como o 3º lugar, conseguem se classificar bem no campeonato
- O 1º lugar não teve o técnico mais longevo
- O 12º lugar, mesmo com um dos técnicos mais longevos da campeonato, não teve uma colocação boa
- De fato, alguns times com os técnicos menos longevos do campeonato ficaram nas últimas posições
Não é possível encontrar uma relação direta entre longevidade do técnico no time e sua classificação. Entendemos que, isso se dá por que futebol é um esporte extremamente estatístico e a qualidade de um time depende de inúmeras variáves e situações, no entanto, neste caso específico, podemos notar que os técnicos mais longevos das 10 melhores colocações jogaram pelo menos metade do campeonato, o que nos sugere que sim, a longevidade influencia positivamente, mas não é determinante para a colocação final do time