-
Notifications
You must be signed in to change notification settings - Fork 0
/
02 - Analisis Inicial.R
158 lines (97 loc) · 5.5 KB
/
02 - Analisis Inicial.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
----#carga de librerias#-----
library(ggplot2)
library(dplyr)
library(plyr)
library(reshape)
library(GGally)
library(lubridate)
library(SportsAnalytics)
library(archetypes)
library("RColorBrewer")
library(lattice)
-----#Analisis de datos#-----
summary(datos2016)
head(datos2016[datos2016$rol_id_rol=='5',]) # tecnicos rol 5
datos2016 <- datos2016[datos2016$rol_id_rol!='5',]
-----#transformacion datos#-----
dat.m <- melt(datos2016,id.vars='J_local', measure.vars=c("goles_convertidos","goles_encontra","asistencias","disparo_afuera","disparo_palo","disparo_atajado","penal_errado","faltas","offsides","amarillas","doble_amarilla","rojas","pase_correcto","pase_incorrecto","despejes","quites","atajadas","atajada_penal"))
-------#multboxplot#--------
p <- ggplot(dat.m) + geom_boxplot(aes(x=J_local, y=value, color=variable))
p+facet_wrap( ~ variable, scales="free")
(gg <- ggplotly(p))
-----#correlaciones pases#-------
ggpairs(datos2016,mapping = ggplot2::aes(color=J_local),columns = c("goles_convertidos","asistencias","disparo_afuera","disparo_atajado","pase_correcto","despejes","quites"))
-----#grafico de barras local vs visitante de rol id y titular#----
t1 <- count(datos2016,vars = c("J_local","rol_id_rol"))
p1 <- ggplot(t1,aes(x=rol_id_rol,y=freq,fill=J_local))+geom_bar(stat="identity",position="dodge")
t2 <- count(datos2016,vars = c("J_local","titular"))
p2 <- ggplot(t2,aes(x=titular,y=freq,fill=J_local))+geom_bar(stat="identity",position="dodge")
(ggp2 <- ggplotly(p2))
multiplot(p1,p2)
#head(as.Date(datos2016$fecha,"%d/%m/%Y"))
datos2016$fecha <- as.Date(datos2016$fecha,"%d/%m/%Y")
l1 <- ggplot(datos2016,aes(x=fecha,y=goles_convertidos))+geom_line(stat="identity",position="dodge")
#head(month(datos2016$fecha)) funcion de lubridate
l1 <- ggplot(datos2016,aes(x=month(fecha),y=goles_convertidos))+ geom_point() +
xlab("") + ylab("goles convertidos")
l1
----#datos por jugador#------
jugadores <- datos2016 %>% select(perso_nombre.1,perso_apellido.1,rol_id_rol,team.1,minutos_jugados:atajada_penal)%>%group_by(perso_nombre.1,perso_apellido.1,rol_id_rol,team.1)
jugadores_agr <- jugadores %>%summarise_each(funs(sum)) %>% mutate(pr_goles_convertidos=goles_convertidos/minutos_jugados,pr_asistencias=asistencias/minutos_jugados,
pr_disparo_afuera=disparo_afuera/minutos_jugados,pr_disparo_atajado=disparo_atajado/minutos_jugados,
pr_faltas=faltas/minutos_jugados,pr_faltas_recibidos=faltas_recibidas/minutos_jugados,pr_offsides=offsides/minutos_jugados,
pr_amarillas=(amarillas+doble_amarilla)/minutos_jugados,pr_expulsados=(doble_amarilla+rojas)/minutos_jugados,pr_pase_correcto=pase_correcto/minutos_jugados,
pr_incorrecto=pase_incorrecto/minutos_jugados,pr_despejes=despejes/minutos_jugados,pr_quites=quites/minutos_jugados,pr_atajadas=atajadas/minutos_jugados,jugador=paste(perso_apellido.1,perso_nombre.1,sep=","))
----#archetypes of players------
col_pal <- brewer.pal(7, "Set1")
col_black <- rgb(0, 0, 0, 0.2)
#mat <- as.matrix(subset(dat, select = -c(Team, Name, Number, Nationality,WeakFootAccuracy, WeakFootFrequency)))
rownames(matjugadores) <- NULL
pcplot(matjugadores, col = col_black, las = 2)
set.seed(1234)
as <- stepArchetypes(matjugadores, k = 1:14)
screeplot(as)
a4 <- bestModel(as[[5]])
parameters(a4)
barplot(a4, matjugadores, percentiles = TRUE)
pcplot(a4, matjugadores, data.col = col_black, atypes.col = col_pal[1:5])
legend("topleft", legend = sprintf("A%s", 1:5),col = col_pal[1:5], lwd = 1, bg = "white")
--------### Alpha coefficients:------
coef <- coef(a4, "alphas")
pcplot(coef, col = c(NA, NA, col_black),rx = matrix(c(0, 1), ncol = 5, nrow = 2), var.label = FALSE)
coef <- coef(a4, "alphas")
## The best player is a combination of Archetyp 1 and Archetype 2 with
## Archetype 1 contributing more than Archetype 2:
which <- which(coef[, 3] == 0 & coef[, 4] == 0 &
coef[, 1] > 0 & coef[, 2] > 0 &
coef[, 1] < coef[, 2])
cbind(jugadores_agr[which, c("jugador")],
coef[which, ])
## ... in relation to player position:
pos <- as.character(jugadores$rol_id_rol)
cols <- rep("gray", length(pos))
cols[pos == "Defender"] <- col_pal[1]
pcplot(coef, col = c(NA, NA, cols),
rx = matrix(c(0, 1), ncol = 4, nrow = 2), var.label = FALSE)
#Good players:
good_players <- function(atype, threshold) {
which <- which(coef(a4, "alphas")[, atype] > threshold)
good_coef <- coef(a4, "alphas")[which, ]
good_dat <- subset(jugadores_agr[which, ], select = c(jugador))
good_dat <- cbind(good_dat, good_coef)
good_dat <- good_dat[order(-good_coef[, atype]), ]
good_dat
}
good_threshold <- 0.95
players <- lapply(1:5, good_players, good_threshold)
players
myColours <- brewer.pal(6,"Blues")
my.settings <- list(
superpose.polygon=list(col=myColours[2:5], border="transparent"),
strip.background=list(col=myColours[6]),
strip.border=list(col="black")
)
parallelplot(matjugadores,horizontal.axis=FALSE, par.settings=my.settings)
#grafico 1 del informe
parallelplot(matjugadores,horizontal.axis=FALSE, scales = list(x = list(rot = 90)),col=col_black)
ggparcoord(matjugadores, columns = c(1:3),scale = "centerObs")+geom_line()