Nuevo paquete para el análisis de datos de juego y jugadores de fútbol: GASB

Nuevo paquete para el análisis de datos de juego y jugadores de fútbol: GASB Autor: Ramiro Gómez Nuño Tutora: Teresa González Arteaga 2 3 Índice 1 Introducción ...................................................................................................................... 5 2 Herramienta R y RStudio. Crear paquete R. ....................................................................... 7 2.1 Crear el proyecto. ...................................................................................................... 7 2.2 Introducir las funciones. .......................................................................................... 10 2.3 Construir la librería o paquete ................................................................................. 11 3 Datos StatsBomb ............................................................................................................. 13 3.1 Formato JSon ........................................................................................................... 13 3.2 Eventos y variables. ................................................................................................. 14 3.3 Definiciones relevantes ............................................................................................ 16 3.4 Datos de partidos de fútbol utilizados ...................................................................... 20 4 Métricas en el análisis de partidos de fútbol .................................................................... 23 4.1 Expected Goal.......................................................................................................... 23 4.2 Ajuste de eventos por 90 minutos ........................................................................... 29 4.3 Ajuste por Posesión para acciones defensivas .......................................................... 31 5 Paquete GASB ................................................................................................................. 34 5.1 Archivos de datos .................................................................................................... 35 5.2 Campo de fútbol. ..................................................................................................... 37 5.3 Funciones auxiliares................................................................................................. 40 5.4 Pases y combinaciones. ........................................................................................... 49 5.5 Análisis defensivo .................................................................................................... 58 5.6 Análisis ofensivo. ..................................................................................................... 66 5.7 Análisis de rendimiento de jugadores. ..................................................................... 77 6 Conclusiones ................................................................................................................... 92 7 Referencias ..................................................................................................................... 93 4 Resumen El análisis de datos se presenta como una realidad en el mundo del fútbol y como una herramienta a la que acuden los profesionales del sector. Se sabe que lo más valioso y, por tanto, difícil de conseguir en Estadística, es la información. Gracias a la tecnología se pueden recoger los datos de todos los partidos de fútbol a nivel profesional cada semana obteniendo un gran volumen de información de calidad. Una vez se tienen los datos la única barrera es la imaginación, se pueden realizar análisis de todo tipo. En este trabajo se presenta un paquete de R compatible con el formato de datos de StatsBomb en el que se incluyen funciones con las que realizar análisis del juego y jugadores. El paquete GASB, creado en la realización de este TFG, cuenta con multitud de funciones gráficas para realizar representaciones sobre el terreno de juego con las que resumir ciertas acciones de juego en fútbol. El paquete GASB mezcla análisis ya utilizados en el mundo del fútbol y otros propios introducidos por el autor. Contiene funciones que permiten al usuario elegir libremente el propio el tipo de análisis que quiere realizar. Además se explica con detalle el formato de datos de StatsBomb, algunas métricas específicas del mundo del fútbol como el expected goal y posibles utilidades reales de las funciones del paquete. Palabras Clave R, Paquete, Estadística, Fútbol, Expected Goal, GASB Abstract Data analysis is presented as a reality in the world of soccer and as a tool used by professionals in the sector. It is known that the most valuable and, therefore, difficult to obtain in Statistics, is information. Thanks to technology, data from all soccer matches can be collected at a professional level every week, obtaining a large volume of quality information. Once you have the data, you can perform all kinds of analyzes, the only barrier is your imagination. In this work, an R package compatible with the StatsBomb data format is presented, which includes functions to perform analysis of the game and players. The GASB package, created in the completion of this TFG, has a multitude of graphical functions to make representations on the field of play to summarize certain actions of the game in soccer. The GASB package mixes analyzes already used in the world of soccer and others of its own introduced by the author. It contains functions that allow the user to freely choose the type of analysis he wants to carry out. In addition, the StatsBomb data format is explained in detail, as well as some specific metrics from the world of soccer such as the expected goal and possible real utilities of the package's functions. Palabras Clave R, Package, Statistics, Football, Expected Goal, GASB 5 1 Introducción El análisis de datos se ha convertido en una verdadera revelación en el sector deportivo. Gracias al tratamiento de grandes volúmenes de información que ofrecen los distintos eventos deportivos, los expertos son capaces de mejorar la toma de decisiones basándose en los datos. El primer deporte en usarlo fue el béisbol en los años 70, cuando Bill James empezó a analizar los registros históricos de los jugadores de béisbol de las grandes ligas americanas, como recoge la web Three Points en su artículo Big Data aplicado a los deportes. Bill James inició el análisis del béisbol a través de evidencia objetiva, específicamente a través de estadísticas, con el fin de medir de manera eficaz las actividades que suceden dentro del campo de juego. De hecho, gracias a esta estrategia basada en datos, Billy Beane, general manager de los Oakland Athletics, consiguió reflotar económica y deportivamente a su equipo. Desde entonces, son muchos los deportes que ya están empleando las posibilidades del análisis de datos para mejorar los análisis predictivos que ayudan en múltiples áreas, desde prevenir lesiones, cambiar las tácticas de juego, mejorar el rendimiento o encontrar errores, como sucede en los deportes de motor. En el caso del baloncesto, por ejemplo, la NBA está transformando el sistema tradicional de juego. Mientras antes se apostaba por jugadores más altos que protegieran el aro y marcaran puntos fácilmente, ahora la tendencia se basa en el “small ball”, con jugadores más bajos y versátiles. Los datos han demostrado que es más productivo anotar triples que canastas de dos puntos aunque el propio aro no esté tan bien defendido. Durante un partido de futbol se pueden llegar a capturar alrededor de ocho millones de datos. Sin embargo, el ojo humano solo es capaz de retener el 30% de esa información. Gracias a esos datos, el Big Data aporta una gran valía en muchos clubes del mundo, que ya han empezado a usar esta tecnología para mejorar sus estrategias de juego, fichajes de nuevos jugadores, etc. La historia del análisis de datos en el mundo del deporte se explica muy bien en el libro “Soccermatics: Mathematical adventures in the beautiful game”, autor: David Sumpter, editorial: Bloomsbury (2016). Lo cierto es que la ciencia de datos ya se utiliza en equipos en España, en concreto en La Liga, mediante un sistema que registra los partidos con 8 cámaras y ordenadores ubicados en diferentes lugares de los estadios para poder captar todos los movimientos y posteriormente los envía a una central donde se tratan los datos. Este tipo de cámaras es capaz de recoger 25 registros por segundoa partir de las cuales se obtienen datos técnicos y estadísticas. Por análisis de datos entendemos los procedimientos usados a la hora de convertir los datos en información que facilite la toma de decisiones. En el mundo del fútbol todo esto puede aplicarse en diferentes situaciones: mercado de fichajes, análisis de juego, rendimiento de jugadores, etc. En este trabajo se tratarán estos dos últimos. En la memoria de este trabajo se diferencian tres partes: - Descripción de R y Rstudio y creación de un paquete R. Apartado 2: Herramienta R y RStudio. Crear paquete R. - Descripción de los datos que se recogen en los partidos de fútbol y métricas necesarias para el uso de los mismos. Apartado 3: Datos StatsBomb y Apartado 4: Métricas. - Descripción del paquete R original GASB, construido por el autor de este trabajo, y sus posibles usos en el análisis de juego y análisis de jugadores. Apartado 5: Paquete GASB. 6 El objetivo del paquete GASB, protagonista de este trabajo, es apoyar el análisis del juego para analistas y entrenadores. Hay muchos profesionales en el sector del fútbol que se ciñen más a su criterio e intuición. Un motivo para ello puede ser porque se ven invadidos por porcentajes, tablas de frecuencia, intervalos de confianza… conceptos que desconocen y en los que no confían para realizar su trabajo. Este paquete entre otras cosas realiza análisis sobre el campo de fútbol facilitando al usuario su comprensión mediante multitud de representaciones gráficas muy relacionadas con situaciones del juego real invitándole a querer saber más sobre el análisis de datos. El paquete GASB, construido por el autor de este TFG, realiza análisis para cualquier base de datos con el formato StatsBomb. Además da libertad al usuario para poder elegir qué análisis realizar según su propio criterio. El trabajo incluye el propio paquete GASB para instalarlo en una sesión R y poder trabajar con él. El paquete GASB contiene dos bases de datos con la información de las temporadas 2018/2019 y 2019/2020 de la liga FA Women´s Superleague: “eventsLF” y “rendimiento”, con las que se muestra al usuario como puede realizar sus propios análisis de juego o análisis de jugadores y obtener sus propias conclusiones. 7 2 Herramienta R y RStudio. Crear paquete R. Rstudio es un entorno de desarrollo integrado para el lenguaje de programación R, dedicado a la computación estadística, gráficos y análisis de datos. Existe una red de servidores ftp y web en todo el mundo que almacena versiones idénticas y actualizadas de código y documentación para R denominado CRAN. https://ftp.cixug.es/CRAN/ Oficina de software libre (CIXUG) https://cran.rediris.es/ Spanish National Research Network, Madrid En este trabajo se han empleado varios paquetes incluidos en el CRAN: - tidyverse - ggplot2 - rgl - fmsb - plotly - devtools - roxygen2 En este trabajo se presenta un paquete de R creado por el autor de este TFG para analizar datos de partidos de fútbol descargados de la web de la empresa StatsBomb. Para la creación de un paquete en R debemos tener instalados los paquetes Roxygen2 (para generar documentación de ayuda en nuestro paquete) y devtools (herramientas de desarrollo de paquetes). 2.1 Crear el proyecto. En Rstudio seleccionamos File -> New Project. Se abrirá la siguiente ventana. Ver ilustración 2-1 Ilustración 2-1. Nuevo proyecto. 8 Seleccionamos New Directory. Rstudio creará un directorio donde almacenaremos los archivos relacionados con nuestro proyecto. Se abrirá una ventana para que decidamos que tipo de proyecto queremos realizar. Ver ilustración 2-2. Ilustración 2-2. Tipo de proyecto. Seleccionamos R Package y llegamos a la siguiente ventana. Ver ilustración 2-3. Ilustración 2-3. Crear paquete. En la casilla Package name: especificamos el nombre de nuestro proyecto, por ejemplo GASB . Indicamos el directorio raíz del que colgará el subdirectorio con nuestro paquete R. 9 Al pinchar en Create Project se creará un directorio en la ubicación indicada con la estructura necesaria para que R pueda construir el paquete (ver ilustración 2-4): Ilustración 2-4. Estructura. En primer lugar picamos en el archivo DESCRIPTION (en el panel inferior derecho, ilustración 2- 4), y completamos la información relativa al nombre del paquete, autor, descripción, etc: (ilustración 2-5) Ilustración 2-5. Descripción. 16 3.3 Definiciones relevantes Tanto en la Tabla 1 como Tabla 2 se describen los distintos tipos de eventos con sus respectivas variables. Pero la información proporcionada por las tablas no es suficiente para entender completamente los datos. En esta sección completaremos esa información con algunas definiciones y explicaciones. 3.3.1 Posiciones y roll en el campo: La tabla 3 recoge las posiciones en el campo con la numeración que simboliza las mismas y que se representa en la ilustración 3-2. Numero de posición Abreviacion Posicion Nombre de Posicion 1 GK Portero 2 RB Lateral Derecho 3 RCB Central Derecho 4 CB Defensa Central 5 LCB Central Izquierdo 6 LB Lateral Izquierdo 7 RWB Carrilero Derecho 8 LWB Carrilero Izquierdo 9 RDM Medio defensivo Derecho 10 CDM Medio Defensivo 11 LDM Medio Defensivo Izquierdo 12 RM Medio Derecho 13 RCM Medio Centro Derecho 14 CM Medio Centro 15 LCM Medio Centro Izquierdo 16 LM Medio Izquierdo 17 RW Extremo Derecho 18 RAM Interior Derecho 19 CAM Medio Centro Ofensivo 20 LAM Interior Izquierdo 21 LW Extremo Izquierdo 22 RCF Delantero Derecho 23 ST Delantero 24 LCF Delantero Izquierdo 25 SS Media Punta Tabla 3. Posiciones. Ilustración 3-2. Posiciones. Fuente Statsbomb. 17 3.3.2 Coordenadas del campo No todos los campos de futbol tienen las mismas dimensiones exactamente. Estas tienen cierta flexibilidad: el ancho debe tener un mínimo de 45 metros y un máximo de 90 y el largo un mínimo de 90 metros y un máximo de 120 metros. Aunque las medidas pueden variar el campo debe ser siempre rectangular. No se especifica la proporción entre ancho y largo, pero por ejemplo un campo de 90 x 90 no sería reglamentario. Todo esto los señalamos para explicar que los datos que se recogen en los distintos campos y se estandarizan en un campo de 73 metros por 110 metros. Toda la información referida a distancias se recoge en yardas. Las dimensiones de los campos serán 80 x 120. Tanto el tamaño de las áreas como de las porterías y del círculo central sí que son las mismas en todos los campos siendo estas las siguientes: Círculo central: Radio de 9.15 metros. Área grande: 40.3 metros de ancho por 16.5 metros de largo. (44 x 18 yardas) Área pequeña: 18.32 metros de ancho por 5.5 metros de largo. (20 x 6 yardas) Punto de penalti: 11 metros a la línea de meta. (12 yardas) Portería: 7.32 metros de ancho por 2.44 metros de alto. (8 x 2.67 yardas) Todos los eventos de un equipo se recogen “de izquierda a derecha”. Esto nos facilita tareas a la hora de trabajar con ello. No hay que cambiar las coordenadas a mitad del partido. La zona del campo respecto a su portería donde ocurre un evento en todo momento. Los datos presuponen que el eje Y está invertido. Esto es conveniente para representar acciones de ataque o de defensa en un campo vertical. Ilustración 3-3. Coordenadas campo de fútbol. Fuente StatsBomb. 18 3.3.3 Coordenadas de la portería La ilustración 3-4 recoge las coordenadas de la portería rival. Ilustración 3-4. Coordenadas portería. Fuente StatsBomb.. 3.3.4 Freeze frame. El evento de tipo Shot incluye una entrada la cual es un dataframe que incluye la situación de los jugadores cercanos al disparo. Dicho dataframe tiene el formato de la tabla 4. Columna Tipo Secundario Tipo Secundario Location Array(x, y) Player Object Id/name integer/text Position Object Id/name Integer/text teammate boolean Tabla 4. Freeze frame disparo. 3.3.5 Lineup / alineación Los eventos tipo Starting XI incluyen un data frame llamado lineup indicando los jugadores de inicio y su posición con la estructura de la tabla 5: Columna Tipo Secundario Tipo Secundario Jersey_number integer Player Object Id/name integer/text Position Object Id/name Integer/text Tabla 5. Once inicial. 19 3.3.6 Cutback. Pase atrás. También encontramos una variable secundaria en los eventos de tipo Pass (pases) denominada cutback, en castellano su traducción sería “pase de la muerte”. Este es un pase que se realiza desde la línea de fondo para encontrar un compañero mejor posicionado para el disparo. El pase se realiza desde la zona A (de cualquier lado de la portería) a la zona B. Mostrado en la ilustración 3-5. Ilustración 3-5. Pase cutback. Fuente StatsBomb. 3.3.7 Throws. Centros. También se catalogan los pases como centros o en inglés Throws . Las características de este tipo de pases son la situación desde donde se realiza y hacia dónde se dirige el pase. El pase se inicia desde las zonas 1,2 o 3 hacia la siguiente zona. Ver ilustración 3-6. Ilustración 3-6. Centros. Fuente StatsBomb. 20 3.4 Datos de partidos de fútbol utilizados La empresa StatsBomb facilita de forma gratuita todos los eventos de muchos partidos de una serie de competiciones. Las competiciones no están al completo exceptuando FIFA World Cup de 2018 y Women’s World Cup de 2019, los mundiales masculino y femenino respectivamente. Aunque las competiciones no estén completas, los partidos sí que lo están. En un partido están todos los eventos sucedidos en él. Estos datos se pueden obtener mediante el paquete libre de R StatsBombR. En la Tabla 6 se ven las distintas competiciones y el volumen de partidos que ofrece este paquete. Competición Temporada Partidos Registrados Partidos Totales Champions League 2003/2004 1 125 2004/2005 1 125 2006/2007 1 125 2008/2009 1 125 2009/2010 1 125 2010/2011 1 125 2011/2012 1 125 2012/2013 1 125 2013/2014 1 125 2014/2015 1 125 2015/2016 1 125 2016/2017 1 125 2017/2018 1 125 2018/2019 1 125 FA Women’s Super League 2018/2019 107 110 2019/2020 87 110 FIFA World Cup 2018 64 64 La Liga 2004/2005 7 380 2005/2006 17 380 2006/2007 26 380 2007/2008 28 380 2008/2009 31 380 2009/2010 35 380 2010/2011 33 380 2011/2012 33 380 2012/2013 32 380 2013/2014 31 380 2014/2015 38 380 2015/2016 33 380 2016/2017 34 380 2017/2018 34 380 2018/2019 34 380 2019/2020 33 380 NWLS 2018 36 111 Premier League 2003/2004 33 380 Women`s World Cup 2019 52 52 Tabla 6. Datos públicos StatsBomb. 21 En el caso de los partidos de LaLiga incluidos en el paquete StatsBombR todos los partidos registrados son del Fútbol Club Barcelona. Aunque sea mínimo el volumen de partidos de esta competición, lo que respecta a estudiar a dicho club se dispone de una buena cantidad de datos. Si bien es cierto que las dos copas del mundo están completas he decidido no usar los datos por las circunstancias tan especiales que se dan en este tipo de torneos. - Poco volumen de partidos. - Todos los equipos no se enfrentan entre sí. - Hay una gran diferencia en el número de partidos jugados del equipo que llega a la final (7 partidos) frente al que es eliminado en fase de grupos (3 partidos). En este TFG utilizaremos los datos de la liga FA Women’s Super League. Aunque no esté completa 194 partidos de las temporadas 2018/2019 y 2019/2020 de 220 partidos totales es un buen tamaño para este proyecto. Sí es cierto que tenemos menos volumen de equipos y jugadores que si escogiésemos todos los partidos que ofrece el paquete StatsBombR, este tipo de competición presenta datos más estables y reales por las siguientes razones. - Más volumen de partidos que cualquier otra competición del paquete. - Todos los equipos juegan entre sí. - Los equipos juegan el mismo número de partidos. - No hay prórrogas, los partidos duran más o menos lo mismo, dependiendo del tiempo añadido. Para conseguir los datos de los partidos que nos interesan primero instalamos el paquete “devtools” y “StatsBombR”. >install.packages("devtools") >devtools::install_github("statsbomb/StatsBombR") > library(StatsBombR) Obtenemos información de las distintas competiciones incluidas en el paquete StatsBombR (ver ilustración 3-7) con la siguiente función del paquete StatsbombR: comp<-FreeCompetitions() Ilustración 3-7. Aspecto dataframe competiciones. Con este data frame tenemos toda la información necesaria para conseguir los partidos de todas las competiciones disponibles en el paquete: 37 observaciones (competiciones) con 8 variables. Como en este trabajo se utilizan los datos de FA Women’s Super League 2018/2019 y 2019/2020. Se aplica la función FreeMatches() con el filtro de la competición y temporadas requeridas. El 22 resultado es un dataframe con 194 observaciones (partidos) y 40 variables (ver ilustración 3-8). La variable más importante match_id, identificador de los partidos que utilizaremos para acceder a los eventos correspondientes (ver ilustración 3-9). Comp <- FreeCompetitions() %>% filter(competition_id==37 & season_id%in%c(42,4)) Matches <- FreeMatches(Comp) Ilustración 3-8. Aspecto dataframe partidos. StatsBombData <- StatsBombFreeEvents(MatchesDF = Matches, Parallel = T) StatsBombData = allclean(StatsBombData) eventosLF = StatsBombData Ilustración 3-9. Aspecto dataframe eventos. Recordamos que los archivos de los partido tienen formato JSON. Este formato de datos a menudo resulta incómodo por los dataframes anidados que se encuentran en él. La función allclean() realiza la limpieza necesaria de los data frames anidados location end_location… y agrega las variables auxiliares para obtener la información de los eventos que la requieren como Shot, Pass o Goalkeeper. El resultado de aplicar allclean() a los partidos de la FA Women`s Superleague 2018/2019 y 2019/2020 es un data frame con 648877 observaciones, de aquí en adelante denominados eventos, y 187 variables. Por lo tanto, tenemos 648877 eventos de 194 partidos, lo que significa que hay una media de 3344.727 eventos por partido. 23 4 Métricas en el análisis de partidos de fútbol El análisis de datos de partidos de fútbol, como en cualquier otro ámbito de estudio, requiere de métricas y ajustes de datos propios. En esta sección se describen los más utilizados: expected goal, ajuste por 90 minutos y ajuste de acciones defensivas por posesión. 4.1 Expected Goal Los goles son los sucesos más importantes en el fútbol ya que determinan el ganador de un partido pero no proporcionan información suficiente para analizar a los equipos. El promedio de goles está entre 2-3 goles por partido en el fútbol actual. Por poner un ejemplo en un partido de la NBA lo más normal es que ambos equipos anoten más de 90 puntos, cantidad razonable para analizar el rendimiento a través de los puntos. Sin embargo no podemos hacer lo mismo en el fútbol. El expected goal es una métrica de rendimiento. La misión del Expected Goal no es predecir nada, si no dar un valor a las ocasiones de gol generadas. Para explicar el concepto de expected goal vamos a tomar como ejemplo un tiro a puerta con distintas características: lugar del campo, pierna dominante o débil, posición del portero rival, tras controlar el balón o al primer toque, bajo presión etc. ¿Qué probabilidad tiene ese tiro de acabar en gol? 4.1.1 Total shots Ratio Los goles vienen precedidos de tiros (ocasiones), por tanto podemos dar un paso atrás y medir el rendimiento de los equipos por los tiros realizados. Esto ya nos da un volumen de información considerable por partido, entre 20 y 30 tiros por partido, diez veces más que goles. El 10-11% de los tiros acaban en gol, el equipo que tire más que el rival ganará el partido. Partiendo de esa base gente como Gabriel Desjardins, James Grayson, y Benjaminy Danny Pugsley implementaron estas ideas desde el análisis del hockey y crearon la métrica Total shots Ratio. La métrica Total Shots Raito es el ratio entre los tiros de un equipo y el total de los tiros en un partido o una serie de partidos. Total shots Ratio (Equipo A) = Tiros a favor/(Tiros a favor + Tiros recibidos) Un ejemplo concreto: En el partido Atlético de Madrid – Granada de La Liga 20/21, el equipo local remató 16 veces y el visitante 11. El TSR del Atlético de Madrid sería 16 / (16+11) = 0.60. El TSR del Granada al tratarse de un ratio esta acotado entre 0 y 1. En consecuencia el TSR del Granada se calcularía: 1 – TSR(Atlético de Madrid) = 0.40. Con el transcurso de los partidos se comprobó que el Total Shots Ratio era un mejor predictor del ratio de goles de un equipo que el propio ratio de goles de ese mismo equipo. Sin embargo surgieron varios problemas intrínsecos en el planteamiento: no todos los tiros son iguales, unos 24 tiros tienen más valor que otros. Para superar estos inconvenientes surgieron los modelos de Goles Esperados (xG como acrónimo de Expected Goals). 4.1.2 Modelo Expected Goal Los modelos de Expected Goals suponen un paso adelante. Como espectadores sabemos que no es lo mismo un tiro desde 30 metros de la portería a otro en la línea de gol. Por tanto no pueden tener el mismo valor para analizar el rendimiento de un equipo. No existe un modelo único de Expected Goal. Cada modelo tiene sus particularidades y unos utilizan unas y otras variables, aunque tradicionalmente las variables más relevantes y que están incluidas en prácticamente todos los modelos son: - Distancia a portería. - Ángulo respecto a portería. - Parte del cuerpo con la que se realiza el remate o tiro. (Distinguiendo pierna hábil de pierna débil.) - Tipo de asistencia o acción previa (pase en profundidad, pase atrás, centro al área…). Con esta información sobre un histórico suficientemente grande podemos asignar una probabilidad de que termine en gol a cada tiro mediante modelos logísticos. Los datos de StatsBomb nos facilitan información suficiente para representar la situación del disparo (ver ilustración 4-1). Con esto se puede mejorar el modelo de expected goal. - Posición del portero en cada remate. - Colocación del portero: tumbado, movimiento o fijo. - Posición de los defensores y atacantes en cada remate. Ilustración 4-1. Freeze frame de un disparo. Fuente StatsBomb. 25 . Esta información es muy útil a la hora de valorar las distintas ocasiones ya que no es lo mismo rematar un balón “a portería vacía” que hacerlo con muchos oponentes en el camino entre el balón y la portería. Otra posible variable para incluir en los modelos es una tercera coordenada z. La altura del balón en el momento del remate. No es lo mismo rematar un balón a ras de suelo que rematar un balón a 1 metro de altura. 4.1.3 Mapa de tiro. Shot Map. La mejor manera de representar el concepto Expected Goal gráficamente son los Mapas de Tiros o Shot Map. Ilustración 4-2. Mapa de tiros. Fuente StatsBomb En la ilustración 4-2 podemos ver los tiros realizados por Sergio Agüero de 2017 a 2019. Con distintas características mencionadas anteriormente: - La parte del cuerpo con la que se realiza el remate y el tipo de pase previo se muestran en las figuras geométricas. - El ángulo a portería y la distancia lo muestra la situación del propio mapa. - Por último el color representa el expected Goal asignado por el modelo StatsBomb a cada tiro. El borde de las figuras indican el resultado del tiro: Gol, fuera, bloqueado o parado. 32 United LFC tiene cerca del 50% de posesión. Cuando comparamos los valores de estos equipos para estas variables concluimos que: - Las medias de las acciones defensivas y de los tiros concedidos son 18.87 y 13.4 respectivamente. - El Arsenal WFC realizando menos acciones defensivas que la media, concede menos tiros que la media. Mientras que el Yeovil Town LFC realiza más acciones defensivas y encaja más tiros que la media. Este es un claro ejemplo de este fenómeno. El Arsenal WFC tiene mucho tiempo el balón luego no realiza tantas acciones como el Yeovil Town LFC que apenas tiene el balón en su poder. - En el caso del West Ham United LFC siendo un equipo con posesión neutra como sus valores están muy cerca de la media, teniendo más sentido. Estos ejemplos muestran con claridad la necesidad de un ajuste para estas variables. Además la posesión ha de tenerse en cuenta. StatsBomb ajusta las acciones mediante una fórmula sigmoidea (ver ilustración 4-6). Mediante este ajuste consiguen independizar las acciones defensivas con respecto a la posesión. Se da más importancia a las acciones defensivas de los equipos que más posesión tienen y menos a los equipos que tienen menos posesión. En este trabajo ajustaremos los datos defensivos en función de la posesión de la misma manera de la que lo hace StatsBomb. La fórmula en cuestión es la siguiente: 𝑨𝒄𝒄𝒊𝒐𝒏𝒆𝒔∗ 2 1+𝒆−0.1∗(𝒙−50) 𝒙 ∈[0,100] ilustracion 4-6. Función de ajuste de posesión. Donde x es la posesión del balón del equipo, siendo 0 no tener nunca y 100 tener el balón todo el tiempo. 33 En la tabla11 actualizamos los datos de la tabla10 ajustando esta vez los datos defensivos en función de la posesión. Podemos ver información con más sentido que antes. Equipo Tiros concedidos Acciones Defensivas Posesión % Chelsea FCW 7.59 24.48 60.09 Manchester City WFC 11.03 24.67 56.93 Brighton & Hove Albion WFC 13.46 13.06 40.69 Bristol City WCF 17.62 7.1 36.1 Reading WCF 11.56 22.8 56.26 Yeovil Town LFC 24.21 4.83 30.22 Arsenal WFC 7.49 27.95 64.86 Liverpool WFC 14.48 12.44 40.42 Birminghan City WFC 10.97 27.82 57.09 West Ham United LFC 14.82 16.41 50.26 Tottenham Hotspur Women 17.13 17.49 47.19 Everton LFC 13.91 15.15 45.27 Manchester United 9.57 17.41 52.8 Tabla 11. Tiros concedidos, acciones defensivas ajustadas por posesión, posesión FA Women`s Superleague. 34 5 Paquete GASB En el paquete GASB, creado en la realización de este TFG, se han implementado funciones con las que realizar análisis estadísticos que emplean las empresas y equipos a nivel mundial. El paquete es compatible con cualquier base de datos en formato StatsBomb. Este apartado tiene dos objetivos: - Explicar todas las funciones del paquete a modo de documentación del mismo. - Explicar el funcionamiento y la finalidad de estas funciones en el análisis del juego. Así se muestra cómo se usan los datos en el mundo del fútbol. Elementos que componen el paquete GASB: - Archivos de datos: o eventsLF o rendimiento - Funciones: o crear_StatsBombpitch() o shotMapSB() o seleccionEventos() o calculoPosesion() o minutosJugados() o calculoXGAssist() o calculoXGbuild() o rendimientoJugadores() o SBMAPpases() o matrizPases() o redPases() o sonarJugador() o mapaSonar() o analisisDefensivoEquipo() o analisisDefensivoJugador() o XGMap() o assistMap() o freezeFrame() o freezeFrame3d() 35 o radarJugador() o jugadorSimilar() A continuación se describirán con detalle todos los elementos que forman el paquete GASB. 5.1 Archivos de datos El paquete GASB cuenta con dos archivos de datos para realizar distintos análisis que se utilizan para los ejemplos que se muestran a los largo de este apartado: “eventsLF” y “rendimiento”. Se puede utilizar cualquier base de datos con formato StatsBomb. 5.1.1 eventsLF El archivo de datos eventsLF contiene los datos descritos en el Apartado 3.4: Datos de partidos de fútbol utilizados. Este archivo recoge 648877 eventos pertenecientes a partidos de fútbol disputados en la FA Women´s Superleague en las temporadas 2018/2019 y 2019/2020. Cada evento tiene 187 variables descritas detalladamente en el apéndice. 5.1.2 rendimiento El archivo de datos rendimiento recoge los datos necesarios para hacer análisis de jugadores según su rendimiento. El archivo rendimiento se compone de 313 observaciones (313 jugadores que participaron en la FA Women´s Superleague en las temporadas 2018/2019 y 2019/2020) y 20 variables descritas a continuación. - player.id: Identificador del jugador. - posicion: Número que identifica su posición en el campo. (Ver ilustración 3-2) - passing: Porcentaje de acierto en el pase. - pressures: Acciones de presión. - fouls: Faltas cometidas. - tackDribbled La proporción de entradas exitosas a ocasiones en que el oponente le/la regateó. - PAdjTackles: Entradas exitosas ajustadas en función de la posesión. - PAdjInterceptions: Interceptaciones ajustadas en función de la posesión. - AerialWins: Duelos aéreos ganados. - AerialWinsPor: Porcentaje de duelos aéreos ganados. - PressuredLongBalls: Balones largos bajo presión. - UnPressuredlongBalls: Balones largos sin presión. 36 - Xgbuild: La suma de los goles esperados de todos los ataques del equipo que terminaron en tiro en los que el jugador tocó el balón pero no realizó el tiro o la asistencia del tiro. - deepProgressions: Incursiones en el último tercio a través de pases, regates o conducciones. - SuccesDribbles: Regates exitosos. - Turnovers: Perdidas de posesión a través de fallos en el control del balón o regates fallidos. - XGAssisted: Goles esperados asistidos. - pressureRegains: Recuperaciones del equipo del jugador dentro de cinco segundos de una presión realizada por parte del jugador. - foulsWon: Faltas recibidas. - XgContra: Expected Goal generado por los rivales con el jugador en el campo. Todas las acciones descritas están ajustadas por 90 minutos y por posesión en las acciones que lo requieren como es el caso de las intercepciones y las entradas al rival. 37 5.2 Campo de fútbol. Para gran parte del análisis es necesario ilustrar los datos y las acciones mediante una representación sobre el campo de fútbol. Estas funciones del paquete nos ofrecen los análisis más importantes. 5.2.1 crear_StatsBombpitch() La primera función que se presenta en este paquete es una función que representa un campo de fútbol. Esta función resulta muy útil para recrear determinadas acciones del juego o resúmenes de un partido completo. La función crear_statsBombPitch() crea un gráfico que simula un terreno de juego de 73 metros de ancho por 110 metros de largo. (80 yardas de ancho por 120 yardas de largo.) Ilustración 5-1. Coordenadas del campo. Fuente StatsBomb. Argumentos: - colorCesped: Color del césped. Por defecto blanco. - colorLinea: color de las líneas. Por defecto gris. - colorFondo: color del fondo fuera del campo. Por defecto blanco. - colorGol: Color de las porterías. Por defecto negro. - BasicFeatures: Lógico. Dibujar sólo las líneas esenciales o también el círculo central y los balcones de los áreas. Por defecto true. 38 - horiz: dibujar el campo de manera horizontal o vertical. Por defecto TRUE (horizontal) Ejemplos: - crear_StatsBombPitch() - crear_StatsBombPitch(BasicFeatures = T, horiz = F) Los resultados se muestran en las ilustraciones 5-2 y 5-3 respectivamente. Ilustración 5-2. Salida crear_StatsBombPitch() Ilustración 5-3.- crear_StatsBombPitch(BasicFeatures = T, horiz = F) En muchas ocasiones se analizan aspectos del juego en el que se fijan con más detalle su situación con respecto a la portería. Como pueden ser disparos, centros al área o distintas jugadas de ataque en campo contrario o a balón parado. Para ello se crea un mapa vertical en el que solo se incluye una mitad del campo. 39 5.2.2 ShotMapSB() La función ShotMapSB() crea un mapa recreando el campo contrario. Argumentos: - colorCesped: Color del césped. Por defecto blanco. - colorLinea: color de las líneas. Por defecto gris. - colorFondo: color del fondo fuera del campo. Por defecto blanco. - colorGol: Color de las porterías. Por defecto negro. Ejemplo: ShotMapSB() Ver resultado en la ilustración 5-4 Ilustración 5-4.ShotMapSB() 40 5.3 Funciones auxiliares En esta sección se incluyen funciones esenciales para realizar los análisis que son requeridas por otras funciones del paquete GASB dedicado al análisis del juego. 5.3.1 seleccionEventos() la función seleccionEventos() permite seleccionar los eventos de interés que queremos analizar a partir de datos de una o varias competiciones. A veces no necesitamos todos estos datos sino una parte como los referidos a un único equipo, un único partido o un jugador determinado. Para realizar los distintos análisis primero debemos seleccionar los eventos de interés. Los datos con los que trabajamos en este TFG como se explica en el Apartado 3.4: Datos de partidos de fútbol utilizados de este trabajo son los correspondientes a las temporadas 2018/2019 y 2019/2020 de FA Women’s Super League. Con la función seleccionEventos() se puede hacer esa selección de los eventos objetivo del para un determinado análisis. Argumentos: - eventos: El argumento eventos es un data frame con los eventos de nuetra base de datos en formato StatsBomb. Este argumento es obligatorio. - idEquipo: Argumento de tipo integer. Sirve para seleccionar los eventos de un equipo en concreto mediante su identificador (team.id), este identificador es único para cada equipo. Este argumento es opcional, si se omite no se seleccionarán los datos por equipo. - idPartido: Argumento de tipo integer. Sirve para seleccionar los datos de un partido en concreto mediante su identificador (match_id). Este argumento es opcinal. - idJugador: Argumento de tipo integer. Selecciona los eventos realizados por un determinado jugador mediante su identificador (player.id). Este argumento es opcional. - rival: Argumento de tipo lógico. Este argumento se usa cuando queremos hacer un análisis de un equipo y necesitamos los datos de sus rivales. FALSE : sin datos del rival, TRUE con datos del rival. Por defecto FALSE. Los argumentos se pueden combinar en función del objetivo del análisis. Salida: - La función seleccionEventos() devuelve un dataframe con los eventos requeridos. Ejemplo: Partiendo de eventsLF, datos descargados de StatsBomb web e incluidos en este paquete, queremos obtener los referidos al Everton LFC junto al de sus rivales. Hay que comprobar el team.id del Everton LFC. En este caso es “967”. seleccionEventos(eventsLF, idEquipo = 967, rival = T) 41 5.3.2 calculoPosesion() El objetivo de la función calculoPosesion() es conseguir el porcentaje de posesión que tiene un equipo en particular en uno o más partidos. La posesión se calcula a partir del tiempo que ha tenido el balón un equipo con respecto al rival. Mediante las variables duration y possession_team.id. La variable duration indica el tiempo que ha durado una acción de un equipo y con possession_team.id identificamos que equipo es el responsable de esa acción. Mediante la suma de las duraciones de los eventos realizados por el equipo y la suma de la duración de los eventos de sus rivales obtenemos los datos necesarios para el cálculo. Hay eventos de tipo Substitution, StartingXI… que no representan posesión del balón pero todos estos tienen duración 0. Los eventos de tipo Pressure, estos eventos si que tienen duración y no representan posesión del balón, por lo que los tenemos que eliminar del dataframe de estudio. Con la siguiente ecuación obtenemos la posesión del equipo objetivo: 𝑷𝒐𝒔𝒆𝒔𝒊ó𝒏= 𝑻𝒊𝒆𝒎𝒑𝒐 𝑬𝒒𝒖𝒊𝒑𝒐 𝑻𝒊𝒆𝒎𝒑𝒐 𝑬𝒒𝒖𝒊𝒑𝒐+ 𝑻𝒊𝒆𝒎𝒑𝒐 𝑹𝒊𝒗𝒂𝒍∗100 Argumentos: - eventos: Dataframe con los eventos de los partidos que se quiere calcular. Obligatorio. - idEquipo: Argumento tipo integer que indica el identificador del equipo objetivo de estudio. Obligatorio. Salida: - Numérico entre 0 y 100 indicando el porcentaje del tiempo que ha tenido el equipo el balón. Ejemplo: Posesión del Everton LFC en todos los partidos de la FA Women’s Super League . Entrada: calculoPosesion(eventsLF, idEquipo = 967) Salida: 45.21037 48 Ilustración 5-5. Data frame. Rendimiento. 49 5.4 Pases y combinaciones. Los pases entre dos jugadores de un mismo equipo es la acción más repetida en todos y cada uno de los partidos. Es la manera más segura de desplazar el balón por el campo obteniendo mejores situaciones de éste y evitando que el rival consiga la posesión. Por eso es fundamental poder analizar estas acciones. En este paquete incluimos cinco funciones con las que analizar visualmente sobre el campo los patrones de pase de los equipos y jugadores: SBMAPpases(), matrizPases(), redPases(), sonarJugador() y mapaSonar(). 5.4.1 SBMAPpases() La función SBMAPpases() realiza un mapa de pases mediante flechas donde el inicio de estas es el origen del pase y el final el destino. Distingue entre pases completados, pases incompletados, asistencias de tiro y asistencias de gol. También calcula la cantidad de pases completados y el porcentaje de acierto. La función SBMAPpases() puede procesar los eventos que desee el usuario. La función procesa los eventos de tipo pase de la información que recibe, sin distinguir equipo. Es conveniente seleccionar los eventos que se quieren estudiar antes de usar esta función. Argumentos: - Events: Data frame con los datos objetivo de estudio. - idJugador: Integer. Identificador del jugador. - campoRival: Lógico. TRUE se filtra los pases en campo rival. Ejemplo: manCity<-seleccionEventos(eventsLF, idPartido = 2275037, idEquipo = 746, rival = F) SBMAPpases(manCity) La ilustración 5-6 representa el mapa de pases del Manchester City WFC frente al Chelsea WFC. Se han completado un total de 241 pases con un acierto del 82%. La mayoría de los pases se realizan en campo propio. 50 Ilustración 5-6. Mapa de pases Manchester City. Este tipo de gráficos puede ir acompañado de distintos filtros para facilitar la comprensión del juego. - Pases en campo rival: SBMAPpases(manCity, camporival=T) Ilustración 5-7. Pases en campo Rival manchester City. La ilustración 5-7 muestra los pases que se han realizado en campo rival. Se han completado 76 de los 241 totales y el acierto ha disminuido hasta el 65%. La banda izquierda tiene mayor circulación de balón que la derecha. Desde esa banda se ha dado un pase de gol y una asistencia de tiro. 51 - Mapa de pases de un determinado jugador (ver ilustración 5-8): SBMAPpases(manCity, idJugador = 10185) Ilustración 5-8.Pases Stephanie Houghton. 52 5.4.2 matrizPases() Una parte muy importante en el análisis de pases es la relación entre los jugadores. La frecuencia con la que dos jugadores conectan mediante pases es una métrica básica para analizar el juego de un equipo. Por ejemplo, si un jugador X tiene un frecuencia acumulada de más de 300 pases con el jugador Y y una frecuencia acumulada de pases de 14 con el jugador Z. No implica que sea más efectivo prestar atención al jugador Y que al Z, cuando el jugador X posea el balón. La función matrizPases() crea una matriz simétrica de puntos. El color y el tamaño de los puntos representan las frecuencias absolutas de pases entre todos los jugadores de los eventos objetivo de estudio. Gracias a la librería plotly() conseguimos interactividad sobre este gráfico. Se muestran con más claridad los valores de la matriz situando el cursor del ratón encima de cada punto. La matriz no diferencia entre ejecutor y destinatario. Si el jugador X realiza 12 pases al jugador Y y el jugador Y realiza 30 pases al jugador X, tanto la el valor XY como el valor YX de la matriz será 42. Argumentos: - events: Dataframe con los datos. Ejemplo: Matriz de pases del Chelsea WFC las temporadas 2018/2019 y 2019/2020 en la FA Women`s Superleague. (Ver ilustración 5-9) eventos<-seleccionEventos(eventsLF, idEquipo = 967,rival = F) matrizPases(eventos) Ilustración 5-9. Matriz de pases. Chelsea. 53 5.4.3 redPases() El análisis táctico de un equipo en ataque reside en tres aspectos: cómo se asocian sus jugadores, la importancia de cada jugador durante la posesión del balón y la situación de cada jugador en el campo durante el ataque del equipo. Estos tres elementos se resumen mediante un gráfico red de pases. Una red de pases es un grafo. Los jugadores son los vértices del grafo y los pases entre los jugadores las aristas. Una red de pases se puede realizar de muchas formas. Su fin es representar la relación de pases entre los jugadores. También se puede incluir más información. La función redPases() del paquete GASB devuelve una red de pases representada en un campo de fútbol. La posición de los distintos jugadores (vértices) es la posición media de todas las posiciones donde han recibido o han realizado un pase durante el partido. Los pases (las aristas) son representadas mediante un segmento entre los jugadores. Se diferencia entre ejecutor y destinatario, es un grafo dirigido. Información del grafo: - Una arista XY comienza con un punto al lado de vértice X, señalando que esa arista es XY y no YX. - El tamaño de los vértices y el de los puntos al comienzo de las aristas indican la cantidad de pases que representan. - Si el vértice X es más grande que el vértice Y porque X ha completado más pases que Y. - Si el punto de la arista XY es más grande que el punto de la arista XZ porque X ha realizado más pases hacia Y que hacia Z. - El color de las aristas y los vértices representa el expected Goal. - El color de un vértice X representa el expected Goal generado por el jugador X. Si X ha tirado a portería generando un expected goal de 0.9, su color es cálido por su alto expected Goal generado. - El color de la arista YX representa el expected Goal asistido de Y a X. - Si el jugador Y asiste un disparo con 0.4 de expected goal al jugador X. La arista YX es de un color más cálido. El grafo tiene interactividad gracias al paquete plotly() situando el cursor encima de los vértices y los puntos de las aristas visualizamos la cantidad exacta de pases que representa y su expected Goal. La función redPases() tiene el atributo minPases con el que indicamos la cantidad de pases mínima que debe tener una arista para que sea representada. Así se consigue un grafo más limpio representando sólo las aristas relevantes. Aunque una arista sea más pequeña que la cantidad mínima de pases requerida pero representa un expected Goal mayor que 0, esta arista también se representa. 54 Argumentos: - Temp: Dataframe con los datos de un partido. - Home: lógico. TRUE si seleccionamos el equipo de casa. - Minpases: Integer. Pases mínimos para las aristas. - Ejemplo: Ilustración 5-10. Red de Pases West Ham United. La ilustración 5-10 representa la red de pases de un partido del West Ham United LFC. Se aprecia que la jugadora Learne Kiernan ha realizado 19 pases y ha generado un expected goal de 1.2. 55 Ilustración 5-11. Zoom ilustración 5-10. Siendo minPases = 6 en la ilustración 5-11 se representa la arista Adriana Leon-Jane Ross por tener un expected goal asistido de 0.22. 56 5.4.4 sonarJugador() Los gráficos sonar de pases . Estos gráficos sirven para detallar las tendencias individuales de los pases de cada jugador. En un gráfico sonar se resume la frecuencia absoluta de los pases en las distintas direcciones y la longitud media de los pases en cada dirección. La función sonarJugador() realiza un gráfico sonar de pases. Distingue entre 24 direcciones. Cada dirección abarca un ángulo de 15 grados. La frecuencia absoluta de pases se representa mediante el color de las barras. Cuánto más cálido sea el color, mayor frecuencia de pases tendrá esa dirección. La longitud media de los pases se representa mediante las longitudes de las barras. Ejemplo: Sonar de pases de Lauren Hemp las temporadas 2018/2019 y 2019/2020 en la FA Women`s Superleague. (Ver ilustración 5-12) temp<-seleccionEventos(eventsLF,idJugador = 15555) sonarJugador(temp) Ilustración 5-12. Sonar de pases de Lauren Hemp. 57 5.4.5 mapaSonar() La función mapaSonar() crea un mapa de los distintos gráficos sonar de pases de los jugadores de un equipo en un partido. La posición donde se sitúa cada gráfico es la posición media donde han realizado o recibido los pases los jugadores. Argumentos: - events: Dataframe con los datos de un partido. - Home: Lógico. TRUE si seleccionamos el equipo que juega en casa. Por defecto TRUE. Ejemplo: Mapa de los sonar de pases de los distintos jugadores de un partido del Reading WFC.(Ver ilustración 5-13) partido<-seleccionEventos(eventsLF, idPartido = 19753) mapaSonar(partido) Ilustración 5-13. Mapa sonar. Reading WFC. 64 - Baja intensidad defensiva: El Brighton & Hove Albion WFC (identificador 965) realiza menos acciones defensiva que la media en todo el campo.( Ver ilustración 5-18) analisisDefensivoEquipo(eventsLF, IdEquipo = 965) Ilustración 5-18. Ejemplo baja intensidad defensiva. 65 Argumentos de la función analisisDefensivoJugador(): - eventos: Data frame. Marco en el que se incluyen los eventos del jugador objetivo y los de su contexto. - idJugador: Integer. Identificador del jugador objetivo. - Posiciones: Vector. Posiciones con las que se quiere comparar a nuestro jugador. Ver ilustración 3-2. - Presion: Lógico. FALSE si se tienen en cuenta todas las acciones defensivas. TRUE si se tienen en cuenta solo las acciones de presión. Ejemplo: Mapa de calor de la jugadora Nikita Parris, con identificador 4654, comparada con las jugadoras que juegan de delanteras (posición 23) al igual que ella.(Ver ilustración 5-19) analisisDefensivoJugador(eventsLF, idJugador = 4654, posiciones = c(23)) Ilustración 5-19. Mapa defensivo Nikita Parris. 66 5.6 Análisis ofensivo. El análisis ofensivo de un equipo o un jugador se resume en: Disparos y asistencias. Gracias a mapas se puede ver las tendencias de disparos y asistencias de un equipo o un jugador. Este apartado tiene cuatro funciones: mapa de tiro, mapa de asistencias y dos mapas que representan la situación del juago en el momento del disparo. 5.6.1 XGMap() La función XGMap() crea un mapa de disparos. En este mapa se muestra la distribución de los disparos en el campo, el tipo de disparo, su resultado y su expected goal. La posición de cada disparo se indica con la posición del punto en el campo. El resultado de un disparo se refleja con tres posibilidades: - Borde negro: el disparo fue gol. - Color nítido: el disparo fue dentro de la portería. - Color poco nítido: el disparo fue fuera de la portería. Hay cuatro tipos de disparo: - Cabeza. - Lanzamiento de falta. - Precedido de un pase filtrado. - Pie. Gracias a la función plotly() se puede filtrar los disparos del mapa de cada tipo directamente sobre el gráfico haciendo doble click en el punto de la legenda obtenemos un mapa en el que se incluyen solo los disparos del tipo que se desea. El color de los puntos indica el expected goal de los disparos. Cuanto más frío sea el color, menor expected goal tendrá el disparo. Si el color es cálido el disparo tiene un alto expected goal. Como es una escala continua el expected goal exacto de cada disparo se obtiene poniendo el cursor encima de cada punto gracias a la interactividad introducida con plotly(). Se pueden obtener mapas de tiro de un único equipo o de un jugador en particular. La función XGMap() además hace un recuento del expected goal generado, los goles conseguidos y la diferencia entre ellos u lo muestra en el gráfico. Argumentos: - Events: Datos objetivo de estudio. - idEquipo: Identificador del equipo a estudiar. - idJugador: Identificador del jugador a estudiar. 67 Ejemplo: Mapa de tiros del Manchester City (identificador 746). El expected goal de los tiros aumenta según se acerca a la portería. A primera vista, el ángulo respecto a la portería también afecta al expected goal.(Ver ilustración 5-20) xGMap(eventsLF, idEquipo=746) Ilustración 5-20. Mapa de tiros del Manchester City. 68 En la ilustración 5-21 se representan únicamente los disparos precedidos de un pase filtrado. Aunque ninguno haya resultado gol, su expected goal es más elevado que la media de disparos.(Ver ilustración 5-21) Ilustración 5-21. Mapa de tiros de pase filtrado de Manchester City. 69 5.6.2 assistMap() La función assistMap() dibuja un mapa de asistencias de tiro y asistencias de gol. Puede usarse con equipos enteros o jugadores particulares. Los pases se representan mediante flechas. El inicio es el origen del pase y el final, indicado con una “x”, el destino del pase. Se distinguen 4 tipos de pase: - Centros. - Pase filtrado. - Pase de la muerte (cut back). - Pase simple. El color de las flechas representa el expected goal asistido. El expected goal asistido de un pase es el expected goal del disparo al que asiste. Gracias a la función plotly() al colocar el cursor en el inicio de cada flecha nos da la siguiente información: - Coordenadas origen. - Coordenadas destino. - Tipo de pase. - Expected goal asistido. - Resultado del disparo. Gol/No Gol. Haciendo doble click en los distintos segmentos de la leyenda se filtra el tipo de pase que se quiere visualizar y su resultado (Gol/No Gol). En la función assistMap() se le da la opción al usuario de acotar las zonas de estudio indicado del inicio del pase mediante ymin, ymax, xmin y xmax. Es decir si el usuario solo quiere trabajar con las asistencias producidas en la banda izquierda deberá introducir “ymax = 18”. Además esta función realiza y representa un resumen con la siguiente información: Expected Goal generado, Goles, diferencia entre expected goal y goles, asistencias totales en la zona y porcentaje “asistencias zona/asistencias totales”. Gracias a esta función se puede realizar un análisis concluyente de las tendencias de ataque de un equipo, en este caso Manchester City WFC. En la tabla 7 se plasman los datos de las ilustraciones 5-22 y 5-23. Se ataca el doble por la banda derecha que por la izquierda, 15.42% frente a un 28.54%. Una de cada tres asistencias de tiro se realizan desde la banda derecha. Banda izquierda (ymax=18) Banda derecha (ymin=62) Expected Goal 5.96 14.6 Goles 6 16 Diferencia 0.04 1.4 Asistencias zona 74 137 Porcentaje 15.42% 28.54% Tabla 12. Análisis de asistencias. Manchester City WFC. 70 Argumentos: - Events: Datos objetivo de estudio. - idEquipo: Integer. Identificador del equipo. - idJugador: Integer. Identificador del jugador. - Ymin: Coordenada mínima, ancho del campo. -10 por defecto. - Ymax: Coordenada máxima, ancho del campo. 90 por defecto. - Xmin: Coordenada mínima, largo del campo. -10 por defecto. - Xmax: Coordenada máxima, largo del campo. 130 por defecto. Ejemplo: La gráfica de la ilustración 5-22 se corresponde con las asistencias realizadas por el Manchester City desde la banda izquierda. assistMap(eventsLF, idEquipo = 746, ymax=18) Ilustración 5-22. Mapa asistencias banda izquierda Manchester City. 71 De la misma manera la ilustración 5-23 representa las asistencias realizadas por el Manchester City desde la banda derecha. assistMap(eventsLF, idEquipo=746, ymin=62) Ilustración 5-23. Mapa asistencias banda derecha Manchester City. 72 5.6.3 freezeFrame() La función freezeFrame() utiliza la variable shot.freezeFrame para crear un mapa con la posición de los jugadores cercanos al balón en el momento que se realiza un disparo. En el mapa se distinguen cuatro tipos de jugadores: - Defensas. - Atacantes. - Portero. - Lanzador. freezeFrame() es una herramienta muy útil. Podemos ver si el portero tiene buena visión, si hay defensores incomodando al lanzador, si hay atacantes en mejor posición que el lanzador, etc. También en freezeFrame() se incluye la situación del portero en el momento del disparo. - Tumbado. - En movimiento. - Parado. Y la técnica usada para atajar el disparo. - Vuelo. - En el sitio. Respecto al lanzamiento, se incluye: - Expected Goal. - Parte del cuerpo. - Resultado del disparo. Argumentos de la función freezeFrame(): - Events: Datos con la información. - idTiro: Identificador del disparo. - idGoalKeeper: Identificador del evento con la información del portero. 73 Ejemplo: La ilustración 5-24 es la situación de un disparo de Kim Little. El disparo se realiza con la pierna izquierda. El portero emplea la tácnica de vuelo para evitar el gol. La jugadora que realiza el disparo no tiene rivales delante de ella. El disparo no acaba en gol. idGoalKeeper1<-"5c540134-e4dc-4986-bedb-9600756d17df" idTiro1<-events[which(events$id==idGoalKeeper)-1,] idTiro<-idTiro$id freezeFrame(eventsLF,idTiro,idGoalKeeper) Ilustración 5-24. Freeze frame de un disparo de Kim Little. 80 Gráfico radar de Jessica Marie Samuelsson en la posición de defensa lateral junto a la media de las jugadoras que juegan en posición de defensa lateral en la FA women`s Super League. (Ver ilustración 5-30 y tabla 15) radarJugador(eventsLF, idJugador = 15612,rendimiento,T,"FB") Ilustración 5-30.Radar de Jessica Marie Samuelsson(rojo) comparado con la media de su liga(azul). Variable Valor Percentil PAdj Tackles 2.3031409 100 PAdj Interceptions 0.0000000 0 Pressure 13.0569948 86 Deep Pregressions 6.0621762 82 Passing 88.0281690 83 xG Build 1.5637099 100 Succesfull Dribbles 0.4663212 72 Turnovers 3.2642487 100 Aerial Wins 0.4663212 4 Fouls 0.0000000 58 Yack/DribbledPast 80.0000000 81 Tabla 15. Rendimiento Jessica Marie Samuelsson 81 Gráfico radar de Lauren Hemp en la posición de medio centro junto a la media de las jugadoras que juegan en posición de medio centro en la FA women`s Super League. (Ver ilustración 5-31 y tabla 16) radarJugador(eventsLF,15555,rendimiento,T,"MD") Ilustración 5-31. Radar de Lauren Hemp(rojo) comparado con la media de su liga(azul). Variable Valor Percentil Passing 72.6775956 47 Deep Progressions 4.3523316 51 XG Assisted 0.1057005 89 xG Build 0.3662736 71 Succesfull Dribbles 1.9689119 82 Fouls Won 1.1917098 64 Turnovers 4.6113990 89 Pressure Regains 5.1295337 63 Pressure 25.1295337 69 Padj Tackles 2.6726056 91 Padj Interceptions 1.3363028 89 Tabla 16. Rendimiento Lauren Hemp 82 5.7.2 jugadorSimilar() La función jugadorSimilar() compara un jugador con otros y obtiene una lista de los jugadores “más similares” a un jugador objetivo en un determinado contexto. La función jugadorSimilar() se basa en distintas acciones dependiendo de la posición (defensa central, defensa lateral, medio centro) del jugador al igual que en el Apartado 5.7.1: radarJugador() de este trabajo. La función requiere la información sobre el rendimiento de los jugadores que se quieren comparar, en él debe estar incluido el jugador objetivo de estudio en la posición en la que se quiere comparar el jugador (Defensa central, defensa lateral o medio centro). Por ejemplo: Si se pretende buscar centrales similares a Magdalena Ericsson, esta jugadora debe estar en la información del contexto con el valor 3, 4, o 5 en la variable posición. Para entender el funcionamiento de la función jugadorSimilar() debemos conocer dos conceptos: análisis de componentes principales y similitud coseno. La función mide la similitud coseno de las componentes principales de las variables del rendimiento de los jugadores. A continuación se explica con más detalle. Similitud coseno: 𝒄𝒐𝒔(𝜽)=∑𝑨𝒊𝑩𝒊 𝒏 𝒊=1 √∑𝑨𝒊 2𝒏 𝒊=1 √∑𝑩𝒊 2𝒏 𝒊=1 La similitud coseno mide la similitud entre dos vectores A y B en un espacio que posee un producto interior en el que se evalúa el valor del coseno del ángulo comprendido entre ellos. Esta función trigonométrica proporciona un valor igual a 1 si el ángulo comprendido es cero, es decir si ambos vectores apuntan a un mismo lugar. Cualquier ángulo existente entre los vectores, el coseno arrojaría un valor inferior a uno. Si los vectores fuesen ortogonales el coseno se anularía, y si apuntasen en sentido contrario su valor sería -1. De esta forma, el valor de esta métrica se encuentra entre -1 y 1. La similitud coseno se suele emplear como indicador de cohesión de clústeres y nunca como una distancia ya que no cumple la desigualdad triangular. La base de esta métrica es que compara la proyección de los jugadores midiendo su ángulo respecto al origen. En la ilustración 5-32 tenemos el siguiente ejemplo. Suponiendo los ejes x e y dos características de los puntos X, Y y Z. Si empleamos la distancia euclídea, el punto Z está más cerca del punto Y que del X, pero si nos fijamos en el ángulo respecto al origen, el punto X y Z crean un ángulo menor que el punto X e Y, es decir, Z es más similar a X que a Y. La proyección de X se acerca más a Z que la proyección de Y. Ilustración 5-32. Ejemplo similitud coseno 83 Análisis de componentes principales y similitud coseno: La función jugadorSimilar() emplea en particular un análisis de componentes principales (ACP) escalado y centrado. Muchas variables están correlacionadas, Aerial Wins-Aerial Wins % y passing-xG build son dos ejemplos. La función principal de un ACP es reducir el número de dimensiones concentrando la variabilidad de los datos en componentes principales las cuales explican la variabilidad de los datos de más a menos. Con el ACP obtenemos vectores con sus variables totalmente independientes unas de otras, requisito para utilizar la similitud coseno. Al hacer ACP escalado y centrado conseguimos que las variables tengan el mismo peso para el análisis. Además en un ACP los valores para las componentes principales toman valores positivos y negativos lo cual le da más consistencia a aplicar la similitud coseno. La similitud coseno y el ACP tienen un punto en común: la varianza da protagonismo. En el ACP los valores de una componente principal tienen la misma varianza que la variabilidad que explica esa misma componente principal, una componente principal es más importante cuanta más variabilidad explique. El ACP cuenta con la ventaja de que esta variabilidad es a su vez la varianza de los valores para esa componente principal. Por otro lado, en la similitud coseno una vez escalados los datos, las variables que más intervienen en el resultado son las que más variabilidad tienen, por ejemplo, en un espacio vectorial de dos dimensiones (X,Y), si la variable X tiene un varianza de 10 e Y una varianza de 1, dos vectores con una diferencia de 0.5 en la variable X son más similares que dos vectores con una diferencia de 0.5 en la variable Y. Por lo tanto aplicar la similitud coseno a las componentes principales es una herramienta muy potente Función jugadorSimilar(): La función jugadorSimilar() filtra del contexto los jugadores en la posición objetivo de estudio (defensa central, defensa lateral o medio centro) y sus respectivas acciones de interés vistas en el Apartado 5.7.1: radarJugador(). Una vez filtrado el contexto realiza un ACP escalado y centrado. Por último calcula la similitud coseno de los valores de las componentes principales de los distintos jugadores. Argumentos de la función jugadorSimilar(): - events: Dataframe con los eventos del jugador. - idJugador: Integer. Identificador jugador objetivo de estudio. - Datos. Integer. Información de rendimiento de los jugadores a comparar. - posicion: String que indica la posición del jugador. “CB”: Defensa Central. “FB”: Defensa Lateral. “MD”: Medio Centro 84 Ejemplo: La jugadora más similar a Millie Bright es Magdalena Ericsson. Su similitud es 0.7118. Ver ilustración 5-33 y tabla 17. jugadorSimilar(eventsLF, idJugador = 4642,rendimiento,posicion="CB") Ilustración 5-33. Jugador similar a Millie Bright. Magdalena Ericsson. Jugador Similitud 4633 0.7118659 10185 0.6101139 18999 0.5963737 20061 0.5755479 Tabla 17. Jugadoras similares a Millie Bright. 85 Jonna Andersson tiene una similitud coseno de 0.858 con Megan Cambell. Ver ilustración 5-34 y tabla 18. jugadorSimilar(eventsLF, 10222,rendimiento,posicion="FB") Ilustración 5-34. Jugadora similar a Jonna Andersson, Megan Campbell. Jugador Similitud 23465 0.8581406 17275 0.7029530 15620 0.6343435 10179 0.6324435 19422 0.5967617 10395 0.5510430 15612 0.5205945 Tabla 18. Jugadoras similares a Jonna Andersson. 86 En el caso de Dominique Johanna Anna Bloodworth encontramos a Keira Waish como jugadora más similar con una similitud coseno de 0.959 (ilustración 5-35). Para esta jugadora también se encuentran otras dos jugadoras con una similitud por encima de 0.9, Drew Spence (0.928) y Katie Zelem (0.92241), ver tabla 19. Ver ilustración 5-36 e ilustración 5-37 jugadorSimilar(eventsLF, 10666,rendimiento,posicion="MD") Ilustración 5-35. Jugadora similar a Dominique Jonna, Keira Waish. Jugador Similitud 4658 0.9590912 4658 0.9282471 31540 0.9224108 15549 0.8909476 15616 0.8397158 10172 0.8270301 10650 0.7885379 10188 0.7657362 10192 0.7333380 Tabla 19. Jugadoras similares a Dominique Jonna. 87 Ilustración 5-36. Gráfico radar Dominique Jonna y Drew Spence. Realizado con radarJugador(). Ilustración 5 37. Gráfico radar Dominique Jonna y Katie Zelem. Realizado con radarJugador(). 88 Código jugadorSimilar(): jugadorSimilar<-function(events,idJugador,datos,posicion){ if(posicion=="CB"){ datosaux<-datos[which(datos$posicion%in%c(3,4,5)),] datosaux<-datosaux%>% select(passing,pressure,fouls,tackDribbled,PAdjTackles,PAdjInterceptio ns,AerialWins,AerialWinsPor,PressuredLongBalls,UnPressuredlongBalls, Xgbuild) jugadores<-as.numeric(rownames(datosaux)) pca <- prcomp(datosaux, scale = TRUE, center=T) similitudes<- data.frame(matrix(rep(Inf,length(datosaux$passing)*length(datosaux$passing )),ncol = length(datosaux$passing))) names(similitudes)<-rownames(datosaux) rownames(similitudes)<-rownames(datosaux) for(i in 1:length(datosaux$passing)){ for(j in 1:length(datosaux$passing)){ if(i==j){ similitudes[i,j]<--Inf }else{ similitudes[i,j]<- sum(pca$x[i,1:11]*pca$x[j,1:11])/sqrt(sum(pca$x[i,1:1 1]^2)*sum(pca$x[j,1:11]^2)) } } } for(i in 1:length(datosaux$passing)){ if(jugadores[i]==idJugador){ jugador<-i } } minimos<-data.frame(Inf,0.5) names(minimos)<-c("jugador","distancia") for (j in 1:length(jugadores)){ 89 if(min(minimos$distancia)<similitudes[jugador,j]){ minimos<-rbind(minimos,c(jugadores[j],similitudes[jugador,j])) minimos<-minimos[order(minimos$distancia,decreasing = T),] } } minimos<-minimos[1:(length(minimos$jugador)-1),] par(mfrow=c(1,2)) radarJugador(events,idJugador,datos,posicion = "CB") radarJugador(events,minimos[1,1],datos,posicion = "CB") return(minimos) } if(posicion=="FB"){ datosaux<-datos[which(datos$posicion%in%c(2,6,7,8)),] datosaux<-datosaux%>% select(PAdjTackles,PAdjInterceptions,pressure,deepProgresions,passing ,Xgbuild,succesDribbles,Turnovers,AerialWins,fouls,tackDribbled) jugadores<-as.numeric(rownames(datosaux)) pca <- prcomp(datosaux, scale = TRUE,center = T) similitudes<- data.frame(matrix(rep(Inf,length(datosaux$passing)*length(datosaux$passing )),ncol = length(datosaux$passing))) names(similitudes)<-rownames(datosaux) rownames(similitudes)<-rownames(datosaux) for(i in 1:length(datosaux$passing)){ for(j in 1:length(datosaux$passing)){ if(i==j){ similitudes[i,j]<--Inf }else{ similitudes[i,j]<- sum(pca$x[i,1:11]*pca$x[j,1:11])/sqrt(sum(pca$x[i,1:1 1]^2)*sum(pca$x[j,1:11]^2)) } } } 96 37/ “Error” Error de un jugador que provoca un tiro en contra. 38/ “Miscontrol” Perder el balón por un mal control. 39/ “Dribbled Past” Jugador es superado por el regate de un rival. 40/ “Injury Stoppage" Paro del juego por una lesión. 41/ “Refree Ball-Drop” Balón a tierra. 43/ “Carry” Conducción del balón. posesion Integer Indicador único de una posesión es un partido. Ej. 1 No comienza una nueva posesión hasta que el equipo ha estabilizado la posesión del balón. posesión_ team Object Id/name integer/ text Id y nombre del equipo con la posesión del balón. Ej, 1/”Arsenal” play_patt ern Object Id/name Integer/ text Situción de juego. 1/Regular Play El evento no transcurre en una situación de las siguientes 2/ ”From Corner” Eventos sucesivos a un corner. 3/ ”From Free Kick” Eventos sucesivos a una falta. 4/ ”From Throw In” Eventos sucesivos a un centro al área. 5/ “Other” 6/ “From Counter” Los eventos son parte de un contrataque. 7/ “From Goal Kick” Eventos sucesivos a un saque de puerta. 8/ “From Keeper” Eventos después de una acción del portero. 97 9/ “From Kick Off” Evenstos siguientes a un saque inicial. team object Id/name Integer/ text Id/Nombre del equipo que resaliza el evento. Ej.1/”Arsenal” player object Id/name Integer/ text Id/nombre del futbolista que realiza el evento. Ej. 5079/”Zlatan I brahimovic” position object Id/name Integer/ text Id/nombre de la posición de un futbolista que realiza el evento. Ej. 1/ ”Goal Keeper” location array(x, y) Array con dos enteros que determinan las coordenadas del campo de ese evento. Ej. (60, 40) Las dimensiones del campo se explican a continuación. duration decimal El tiempo en segundos de un evento. Tiempo en segundos under_pr essure Boolean La acción fue realizada bajo presión del rival. True Información más adelante. off_camer a Boolean El evento fue filmado por la cámara. FALSE, TRUE Out Boolean Añadido si el evento se realizó con la pelota fuera del campo. TRUE related_e vents array(uuid,uui d….) Array de ids de eventos relacionados. Ejemplo: Disparo, parada. e.g., "2b7d06c7-9 bcb-4bbfa6e5-08e 54e1303ac" or ("2 b7d06c7-9bcb-4b bf-a6e5- 08e54e1 303ac", "03b001b 6- bf44-4691-ae4 7- e279f5a9b38c" ) tactics object formation text Para evento de tipo “Starting XI” Ej. 343 Ej. Tres defensas 4 medios tres delanteros lineup array Describir las posiciones de los jugadores en la alineación. Ver más adelante. 98 Tabla 2 recoge algunos tipos de eventos con sus variables propias y sus respectivas descripciones Tipo de evento (Data Frame anidado) Columna Tipo Tipo secundari o Secundario/ s Descripción Valores Descripción de valores 50_50 outcome object Id/name Integer/text Id/nombre del resultado del duelo 50/50 108/”Won” El jugador gana el duelo. 109/”Lost” El jugador pierde el duelo. 147/”Succes To Team” El balón lo recogió su equipo 148/ “Scces To Opposition” El balón lo recogió el rival. counterpre ss Boolean Evento realizado 5 segundos después deperder el balón TRUE Bad Behavoir card object Id/name Integer/text Id/nombre nombre de la tarjeta mostrada. 65/ ”Yellow Card” 66/”Second Yellow” 67/”Red Card” Ball Receipt outcome object Id/name Integer/text Id/nombre resultado de recibir el balón 9/”Incomplete ” Ball Recovery offensive boolean Recuperació n de un balón por acierto propio TRUE El rival intentaba regatear. Recovery_f ailure boolean La recuperación fue por fallo del rival TRUE Se recupera un pelota que intenta recuperar el rival. Block deflection boolean El balón es desviado. TRUE El balón sigue su dirección pero desviada. offensive boolean El bloque fue en ataque. TRUE save_block boolean El bloque salva un disparo TRUE counterpre ss boolean TRUE Carry end_locatio n Array(x,y) Coordenadas donde acaba la conducción del balón Ej.(70,90) Clearance aerial_won boolean Si fue en un duelo aéreo TRUE body_part object Id/name Integer/text 37/”Head” 99 Id/nombre de la parte del cuerpo con la que se realiza. 38/”Left Foot” 70/”Other” 40/ ”Right Foot” Dribble overrun boolean nutmeg boolean Cuando el regate se hizo entre las piernas del defensor No Touch boolean Si el jugador regateó sin tocar el balón TRUE outcome object Id/name Integer/text Resultado del regate 8/”Complete” 9/”Incomplete ” Dribbled Past counterpre ss boolean TRUE Duel counterpre ss boolean True type object Id/name Integer/text Id/nombre del tipo de duelo 10/ ”Aerial Lost” Duelo aéreo perdido 11/ “Tackle” Oponerse a un rival. outcome object Id/name Integer/text Id/nombre del resultado del duelo 1/”Lost” 4/ “Won” Entrada exitosa 13/ ”Lost in Play” El balón cayó en un rival 14/ “Lost Out” El balón salió para posesión del rival. 15/ “Succes” 16/ ”Succes in Play” El balón cayó en un rival 17/ “Succes Out” El balón salió para posesión del equipo. Foul Committed counterpre ss boolean TRUE offensive boolean Falta cometida con posesión del balón TRUE type object Id/name Integer/text Id/nombre del atributo de la falta cometida 19/”6 seconds” El portero retuvo el balón 6 segundos con la mano. 20/”Backpass Pick” El portero cogión un pase del compañerp realizado con el pie. 21/ ”Dangerous Play” Juego peligroso 22/”Dive” Simular una falta. 23/”Foul Out” Falta normal. 24/”Handball” Mano. 100 advantage boolean La falta se cometió pero el juego siguió por tener ventaja. TRUE penalty boolean La falta es penalti TRUE card ibject Id/name Integer/text Id/nombre del tipo de la targeta 5/ ”Yellow Card” 6/”Second Yellow” 7/”Red Card” Foul Won defensive boolean Añadir si la falta recibida fue con la posesión de la pelota TRUE advantage boolean Añadir si se aplicó la ley de la ventaja TRUE penalty boolean SI la falta recibida fue penalti TRUE GoalKeeper position object Id/name Integer/text Id/nombre del atributo de la situación de un portero antes de un disparo 42/”Moving” El portero se estaba moviendo. 43/”Prone” Estaba en el suelo 44/”Set” Estaba parado. technique object Id/name Integer/text Id/nombre de la técnica usada por el portero 45/”Diving” Lanzarse al suelo. 46/”Standing” Paró el balón en la posición. body_part object Id/name Integer/text Id/nombre de la parte del cuerpo con la que realizó la parada. 35/Both Hands Ambas manos. 36/”Chest” Pecho 37/”Head” 38/”Left Foot” 39/”Left hand” 40/”Right Foot” 41/”Right Hand” type object Id/name Integer/text Id/nombre de toda situación que puede realizar un portero. Conceder gol, parar, blocar, despejar… 25/”Collected” Atrapar el balón. 26/”Goal Conceded” 28/”Penalty Conceded” 29/”Penaltu Saved” 30/”Punch” Despeja de puños. 32/”Shot Faced” No lo paró ni le metieron gol 33/”Shot Saved” 101 34/”Smother” Equivalente a entrada/tackle , portero saliendo a desposeer el balón de un rival. 113/”Saved Off T” Parada a un disparo que iba fuera de portería. 114/”Shot Saved To Post” Parada a un disparo que rechaza en el poste. 110/”Saved To Post” Parada que acaba eb el palo. 109/”Penalty Saved To Post” 31/”Saved” Portero salva algo que no es un disparo 27/”Keeper Sweeper” El portero sale del área pequeña a despejar. outcome object Id/name Integer/text 47/”Claim” Keeper Sweeper que atrapó el portero 48/”Clear” Keeper Sweeper que despeja 49/”Collected Twice” Recoge el balón después de varios intentos 50/”Fail” Accion desafortunada 51/”In play” Parada con elbalón en juego 52/”In Play Danger” Parada a un tiro del oponente 53/”In Play Safe” Portero para el trio de un compañero 55/”No touch” Gol concedido que el portero no tocó. 56/”Saved Twice” Parar disparos consecutivos 157”Succes” Rechace a un compañero 58/”Touched In” Parada que acabó en gol. 59/”Touched Out” Portero para el balón y sale fuera 4/”Won” Retener la posesión 16/”Succes In Play” Rechace que recoge un compañero 17/”Succes out” Rechace que sale fuera pero en 102 posesión de su equipo. 13/”Lost in Play” Rechace recoge un rival 14/”Lost out” Rechace que acaba fuera en posesión del rival 117/”Punvhed Out” El portero golpea de puños fuera del campo Half End Early Video End boolean El video no llega al final del periodo TRUE Match suspended boolean El árbitro decide posponer o suspender el partido TRUE Half Start Late Video Start boolean No se grabó el inicio del periodo TRUE Injury Stoppage In_vhain boolean Añadir se la pelota la tenía el equipo del lesionado TRUE Interceptio n outcome object Id/name Integer/text Id/nombre del resultado de la intercepción 1/”Lost” 13/”Lost in Play” La intercepción acaba en un oponente 14/”Lost Out” La intercepción sale del campo en posesión del rival 15/”Succes” 16/”Succes In Play” La pelota cae en un compañero 17/”Succes Out” La intercepción sale fuera en posesión de su equipo. 4/”Won” La pelota se la queda el jugador. Miscontrol aerial_won boolean Añadir si el control fue en el aire TRUE Pass recipient object Id/name Integer/text Id/nombre del jufgador que recibió el balón. Ej. 2934/”Erik Lamela” length decimal La longitud del pase en yardas Ej. 16.9 angle decimal El ángulo del pase donde 0 mira hacia delante, valores positivos de Ej. 2.49 103 0 a pi en sentido horario, y 0 - pi en sentido antihorario Height Object Id/name Integer/text Id/nombre de la altura del pase. 17/”Ground Pass” Pase raso 2/”Low Pass” Pase bajo 3/”High Pass” Pase alto end_locatio n Array(x, y) Array con las coordenadas donde acabó el pase Ej. (20,80) assisted_sh ot_id uuid Id del disparo al que asiste Ej. "57726e09- 9ba1-4388- 8c40- faf57e5b8d1 d" backheel boolean Añadir si el pase fue de tacón TRUE deflected boolean Añadir di el pase es desviado TRUE Puede ser comleto o incompleto misscomun ication boolean Añadir si el pase fue una falta de comunicació n TRUE El pase era preciso pero el jugador que tenía que recibir se equivocó. cross boolean Añadir si el pase fue un cruzado TRUE Se describe más adelante cut_back boolean Añadir si el pase fue un “pase de la muerte” TRUE Información más adelante switch boolean Añadir si el pase superó el medio campo TRUE Estos pases se valoran si son más largos de 40 yardas. Shot_assist boolean Añadir si el pase fue una asistencia de tiro TRUE goal_assist boolean Añadir si el pase fue una asistencia de gol. TRUE body_part object Id/name Integer/text Id/nombre de la parte del cuerpo con la que se realiza el pase 68/”Drop Kick” Saque de bolea del portero 37/”Head” 69/”Keeper Arm” Pase con la mano del portero 38/”Left Foot” 70/”Other” 40/”Right Foot” 106/”No Touch” El jugador destino dejo pasar el balón para que la recogiese un compañero. type object Id/name Integer/text 37/”Corner” 62/”Free Kick” Tiro Libre 104 Id/nombre atributo del tipo de pase 63/”Goal Kick” Saque de meta 64/ ”Interception” Intercepcion que a su vez es un pase 65/”Kick Off” Pase de inicio de periodo o después de un gol. 66/”Recovery” Recuoeración que a su vez es un pase outcome object Id/name Integer/text Id/nombre del resultado del pase 9/ ”Incomplete” La pelota no llega a un compañero y sigue en juego 74/ ”Injury Clearence” Tirar el balón fuera por una lesión 75/”Out” Pelota sale fuera del campo 76/”Pass OFFside” El balón lo recoge un jugador en fuera de juego 77/ ”Unknown” Se paró el juego en medio del pase. technique object Id/name Integer/text Id/nombre de la técnica del pase 104/ ”Inswinging” Efecto hacia portería en los corners 105/ “Outswinging” Efecto lejos de portería en los corners 107/”Straight” Corner sin efecto 108/”Through Ball” Pase cruza la línea de defensa Player Off permanent boolean Añadir si el jugador abandona el campo por lesión u no entra y no hay cambios. TRUE Pressure Pressure counterpre ss boolean Si la acción se realizó antes de 5 segundos que se perdió el balón TRUE Shot Key_pass_i d uuid Ej. "57726e09- 9ba1-4388- 8c40- faf57e5b8d1 d" End_locatio n Array(x,y) or (x,y,z) Ej. (120,50) or (120,32,2) Información más adelante Aerial_won boolean Añadir si el disparo es TRUE 105 en un duelo aéreo Follows_dri bble boolean Añadir si el disparo es tras regate TRUE First_time boolean Si es al primer toque TRUE Freeze_arr ay array Información sobre los jugadores cercanos al disparo Data from JSON Open_goal boolean Añadir si fue a portería vacía TRUE Statsbomb _xg numeric Valor de xG del disparo según el modelo statsBomb Ej. 0.09 deflected boolean Añadir si el disparo fue desviado TRUE technique object Id/name Integer/text Id/nombre de la técnica usada 89/”Backheel” Tacón 90/”Diving Header” Remate de cabeza en plancha 91/”Half Volley” Remate desde el suelo después de un rebote 92/”Lob” Disparo alto para evitar la oposición de un jugador o portero 93/”Normal” 94/”Overhead Kick” El jugador está de espaldas a la porteía cuando remata el balón 95/”Volley” El balón no toca el suelo antes de rematar. Body_part Object Id/name Id/nomre de la parte del cuerpo con la que se remata 37/”Head” 38/”Left Foot” 70/”Other” 40/”Right Foot” Type Object Id/name Integer/text Id/nombre del tipo de disparo que fue 61/”Corner” Corner directo 62/”Free Kick” Tio libre 87/”Open Play” En juego normal 88/”Penalty” 65/”Kicks Off” Tiro directo de saque inicial. outcome object Id/name Integer/text Id/nombre del resultado del disparo 96/”Blocked” Disparo parado por un defensor 97/”Goal” 98/”Off T” Disparo fuera 99/”Post” Poste