Die README-Datei dieses Repositorys ist ein Ressourcenleitfaden mit Lernmaterialien, Datenquellen, Bibliotheken, Artikeln, Blogs usw., erstellt von allen, die Beiträge zur Open-Source-Community für Fußballanalysen geleistet haben. Dieses GitHub-Repository und die Ressourcenliste sind ständig in Arbeit und es werden halbjährlich neue Ressourcen hinzugefügt. Wenn Sie der Meinung sind, dass ich eine oder mehrere Ressourcen übersehen habe, können Sie gerne eine Pull-Anfrage erstellen oder mir über die oben genannten Links eine Nachricht senden. Ich werde mich so schnell wie möglich bei Ihnen melden!
Wenn Ihnen das Repo gefällt, geben Sie ihm gerne ein (oben rechts). Prost!
Weitere Informationen zu diesem Repository und dem Autor finden Sie hier:
Der Code in diesem Repository ist in einer Mischung aus Python und R geschrieben. Bevor Sie beginnen, stellen Sie sicher, dass die folgenden Voraussetzungen installiert sind:
Allgemeine Python-Data-Science-Bibliotheken:
NumPy für mehrdimensionales Array-Computing;pandas zur Datenanalyse und -manipulation;matplotlib und Seaborn zur Datenvisualisierung; Undscitkit-learn und SciPy für maschinelles Lernen.Python-Bibliotheken für Fußballanalysen:
kloppy – ein Paket zur Standardisierung von Tracking- und Ereignisdaten von Koen Vossen und Jan Van Haaren. Sehen Sie sich das YouTube-Tutorial an [Link]floodlight von Floodlight-Sports – Paket zur optimierten Analyse von Sportdaten. Es ist mit einem klaren Fokus auf wissenschaftliches Rechnen konzipiert und basiert auf beliebten Bibliotheken wie Numpy oder Pandas. Siehe die folgende Dokumentation [Link]matplotsoccer – eine Python-Bibliothek zur Visualisierung von Fußballereignisdaten von Tom Decroosmplsoccer – eine Python-Bibliothek zum Plotten von Fußballfeldern in matplotlib von Andrew RowlinsonPySport einschließlich PySport Soccer – Sammlung von Open-Source-Sportpaketen, darunter viele der in diesem Abschnitt genannten, von Koen VossenScraperFC von Owen Seymour – ein Python-Paket zum Scrapen von Daten aus FiveThirtyEight-Daten, FBref, Understat, Club Elo, Capology und TransferMarkt. Zuvor über WhoScored? gesammelte Opta-Ereignisdaten Match Center (Funktionalität jetzt entfernt, aber sehen Sie sich alte Versionen und GitHub-Repos an, um diesen Code zu finden)statsbombapi – ein Python-API-Wrapper und Datenklassen für StatsBomb-Datenstatsbombpy – eine von Francisco Goitia geschriebene Python-Bibliothek für den Zugriff auf StatsBomb-Datensocceraction – eine Python-Bibliothek zur Bewertung der einzelnen Aktionen von Fußballspielern. Enthält eine Expected Threat (xT)-Implementierung von Tom Decroos et. al.soccer_xg von ML KU Leuven – ein Python-Paket zum Trainieren und Analysieren von xG-Modellen (Expected Goals) im Fußballsoccerdata – Sammeln Sie Fußballdaten von Club Elo, ESPN, FBref, FiveThirtyEight, Football-Data.co.uk, SoFIFA und WhoScored von Pieter Robberechtstyrone_mings von FCrSTATS – ein Python-TransferMarkt-Webscraper Allgemeine R-Data-Science-Bibliotheken:
R-Bibliotheken für Fußballanalysen:
ggsoccer von Ben Torvaney – eine Fußball-Visualisierungsbibliothek in RggshakeR von Abhishek Mishra – ein Analyse- und Visualisierungs-R-Paket, das mit öffentlich verfügbaren Fußballdaten arbeitet. Siehe die folgende Dokumentation [Link]StatsBombR – ein R-Paket zum einfachen und kostenlosen Streamen von StatsBomb-Daten von der API mit Ihren Anmeldeinformationen oder aus dem Open Data GitHub-Repository in Rsoccermatics von Joe Gallagher – ein R-Paket zur Visualisierung und Analyse von Fußball-Tracking- und EreignisdatenworldfootballR von Jason Zivkovic – ein R-Paket zum Extrahieren von Weltfußballdaten aus FBref, TransferMarkt, Understat und fotmob (siehe Anleitung zur Verwendung dieses Pakets [Link])? Zurückkehren
Der Inhalt dieses GitHub-Repositorys ist wie folgt organisiert:
eddwebster/football_analytics/ ➡️ central repository of code and analysis by Edd Webster ?⚽
│
├── dashboards/ ➡️ store of Tableau dashboards used for analysis ?
│
├── data/ ➡️ a selection of raw and processed data extracts by various providers ??
│ ├── capology
│ ├── davies
│ ├── elo
│ ├── fbref
│ ├── fifa
│ ├── guardian
│ ├── metrica-sports
│ ├── opta
│ ├── reference
│ ├── sb
│ ├── shots
│ ├── stats-perform
│ ├── stratabet
│ ├── tm
│ ├── touchline-analytics
│ ├── twenty-first-group
│ ├── understat
│ └── wyscout
│
├── docs/ ➡️ store of documentation for different vendors ?
│ ├── centre-circle
│ ├── metrica-sports
│ ├── opta
│ ├── sb
│ ├── shots
│ ├── stratabet
│ └── wyscout
│
├── fonts/ ➡️ store of custom and externally acquired fonts used for data visualisation ✍️?
│
├── ? .gitignore ➡️ ignore unnecessary files for version control with Git ?
│
├── img/ ➡️ store of images used for analysis including club badges, vendor logos and official media images ??
│ ├── club_badges/ # badges for football clubs
│ ├── edd_webster/ # images related to Edd Werbster
│ ├── fig/ # generated figures derived from analysis and reports in this repository
│ ├── gif/ # GIF images
│ ├── memes/ # memes
│ ├── pitches/ # images of football pitches and goals used mostly for Tableau visualisation
│ ├── players/ # images of football players
│ ├── vendors/ # logos for data vendors e.g. StatsBomb
│ ├── vizpiration/ # high-quality visualisations and analysis from renowned members of the football analytics community
│ └── websites-blogs/ # logos for data analysis websites and blogs e.g. Club Elo
│
├── scripts/ ➡️ store of libraries and Python and open source code ??
│
├── notebooks/ ➡️ Jupyter notebooks for exploration and visualisation
│ ├── 1_data_scraping/ # notebooks with code to acquire data via webscraping
│ │ ├── Capology Player Salary Web Scraping.ipynb
│ │ ├── FBref Player Stats Web Scraping.ipynb
│ │ └── TransferMarkt Player Bio and Status Web Scraping.ipynb
│ │
│ ├── 2_data_parsing/ # notebooks with code to acquire data via APIs
│ │ ├── Elo Team Ratings Data Parsing.ipynb
│ │ ├── StatsBomb Data Parsing.ipynb
│ │ └── Wyscout Data Parsing.ipynb
│ │
│ ├── 3_data_engineering/ # notebooks with code to engineer raw, unprocessed data to processed data
│ │ ├── Capology Player Salary Data Engineering.ipynb
│ │ ├── Centre Circle Opta CPL Data Engineering.ipynb
│ │ ├── FBref Player Stats Data Engineering.ipynb
│ │ ├── Opta #mcfcanalytics PL 2011-2012.ipynb
│ │ ├── StatsBomb Data Engineering.ipynb
│ │ ├── The Guardian Player Recorded Transfer Fees Data Engineering.ipynb
│ │ ├── TransferMarkt Historical Market Value Data Engineering.ipynb
│ │ ├── TransferMarkt Player Bio and Status Data Engineering.ipynb
│ │ ├── TransferMarkt Player Recorded Transfer Fees Data Engineering.ipynb
│ │ ├── Understat Data Engineering.ipynb
│ │ └── Wyscout Data Engineering.ipynb
│ │
│ ├── 4_data_unification/ # notebooks with code to unify disperate datasets
│ │ └── Unification of Aggregated Seasonal Football Datasets.ipynb
│ │
│ └── 5_data_analysis_and_projects # notebooks with code for example projects and analysis
│ ├── player_similarity_and_clustering
│ │ └── PCA and K-Means Clustering of 'Piqué-like' Defenders.ipynb
│ │
│ ├── tracking_data
│ │ ├── metrica_sports
│ │ │ └── Metrica Tracking Data EDA.ipynb
│ │ └── signality
│ │ ├── Signality Tracking Data Engineering.ipynb
│ │ └── Signality Tracking Data EDA.ipynb
│ │
│ └── xg_modeling
│ ├── shots_dataset
│ │ ├── Logistic Regression Expected Goals Model.ipynb
│ │ └── XGBoost Expected Goals Model.ipynb
│ └── opta_dataset
│ └── raining of an Expected Goals Model Using Opta Event Data.ipynb
│
├── ? README.md ➡️ project description and setup guide for better structure and collaboration ?
│
├── research/ ➡️ central repository of research and publicly available resources in football analytics ?⚽
│ ├── documents/ # documents
│ ├── papers/ # published academic papers and literature
│ └── slides/ # PowerPoint slides for published research
│
└── video/ ➡️ store of videos used or generated for analysis ??
? Zurückkehren
Der Code in diesem Repository ist größtenteils in Jupyter-Notebooks oder Python-Skripten geschrieben und im folgenden Workflow organisiert:
? Zurückkehren
Informationen zu Tableau-Dashboards, die mithilfe der in den Notebooks in diesem Repository erstellten Daten erstellt wurden, finden Sie in meinem öffentlichen Tableau-Profil: public.tableau.com/profile/edd.webster.
Beispiel-Tableau-Dashboards:
? Zurückkehren
Wir danken den folgenden Ressourcen, die nach der Veröffentlichung alle zum Schließen von Lücken in diesem Ressourcenleitfaden verwendet wurden:
analytics-handbook GitHub-Repo von Devin Pleuler – ein GitHub-Repo für den Einstieg in die Fußballanalyseawesome-football von football.db (Gerald Bauer) – eine Sammlung großartiger Fußballdatensätzeawesome-football-analytics von Diego Pastorawesome-soccer-analytics von Matias MasciotoguideR von Dom Samangy – eine Google-Tabelle mit über 200 R-Ressourcen, über 100 Python-Tutorials, über 30 Paketen, über 25 zu befolgenden Konten, 10 Cheatsheets und mehreren kostenlosen Büchern und Blogs. GitHub-Repo [Link]soccer-analytics-resources Github-Repo von Jan Van Haaren? Zurückkehren
Gute Ressourcen für Einsteiger in die Nutzung von Daten im Fußball:
soccer-analytics-handbook von Devin Pleulerawesome-football-analytics von Diego Pastorawesome-soccer-analytics von Matias Masciotosoccer-analytics-resources von Jan Van Haaren? Zurückkehren
Öffentlich verfügbare Datenquellen und Datensätze zum Thema Fußball, von Tracking-Daten, Ereignisdaten, aggregierten Spielerleistungsdaten, detaillierten Spielstatistiken, Verletzungsaufzeichnungen und Transferwerten und mehr.
Datenquellen, die im Code und in der Analyse in diesem Repository verwendet wurden, finden Sie im data dieses Repositorys oder in Google Drive (aufgrund der Dateibeschränkung von GitHub auf 100 MB) [Link]. Der gesamte Code in diesem Repository sollte es Ihnen jedoch ermöglichen, die Datensätze entsprechend der für die Analyse und Visualisierungen verwendeten Ausgabe zu scrapen, zu analysieren und zu konstruieren.
Weitere Informationen zu den verschiedenen verfügbaren Datentypen, z. B. Ereignis- und Tracking-Daten, finden Sie im Abschnitt „Wo kann ich Daten erhalten?“ Abschnitt von Devin Pleulers soccer_analytics_handbook [Link].
Eine kurze Einführung in die verfügbaren kostenlosen Fußballdatenressourcen finden Sie im folgenden Twitter-Thread von James Nalton [Link].
Bei den Ereignisdaten handelt es sich um gekennzeichnete Daten für jedes Ereignis am Ball, das während eines Spiels stattfindet. Die Daten werden manuell aus Fernsehaufnahmen gesammelt. Weitere Informationen zur Datenerfassung finden Sie im folgenden Video [Link].
Jeder Abgleich von Ereignisdaten umfasst je nach Anbieter etwa 2-3.000 einzelne Ereignisse (Zeilen).
Die Hauptanbieter dieser Daten sind StatsBomb, Stats Perform (ehemals Opta) und Wyscout.
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
| Offene Daten von StatsBomb |
| StatsBomb Open Data GitHub Repo |
| StrataData von StrataBet | Zufällige Schießdaten werden bereitgestellt | Nicht mehr verfügbar (seit 2018), kann jedoch in GitHub-Repos alter Analysen (einschließlich dieser) gefunden werden [Link]. |
| Fußballvideo- und Spielerpositionsdatensatz | Datensatz der Bewegungen von Elite-Fußballspielern und entsprechende Videos, bereitgestellt von der Universität Oslo. Siehe Begleitpapier [Link] | [Link] (scheint nicht mehr zu funktionieren) |
| Opta | Veranstaltungsdaten für über 20 Ligen, einschließlich der „Big 5“-Ligen in Europa, von denen einige bis zur Saison 09/10 zurückreichen. | Daten verfügbar durch Scraping von WhoScored? Match Center mit den folgenden Methoden:
|
| Opta (Beispieldatensatz 11/12) | Spielweise aggregierte Spielerleistungsdaten für die Saison 11/12 und F24-Ereignisdaten für ein Spiel Manchester City gegen Bolton Wanders am 11/12 im Rahmen der #mcfcanalytics-Initiative | Nicht mehr verfügbar (seit 2012), kann jedoch in GitHub-Repos alter Analysen (einschließlich dieser) gefunden werden. |
| Understat | Schieß- und Metadaten einschließlich xG-Werten für die europäischen „Big 5“-Ligen und die russische Premier League | Auf diese Daten kann wie folgt zugegriffen werden:
|
| Wyscout | Veranstaltungsdaten für die Saison 17/18 für die „Big 5“ der europäischen Ligen, die EM 2016 und die Weltmeisterschaft 2018, bereitgestellt von Luca Pappalardo, Alessio Rossi und Paolo Cintia. Sehen Sie sich ihren Artikel „A public data set of spatio-temporal match events in football Competitions“ an. | Figshare |
Tracking Data zeichnet die X- und Y-Koordinaten jedes Spielers auf dem Spielfeld sowie des Balls mehrmals pro Sekunde auf (normalerweise 10–25). Aus diesem Grund ist der Datensatz ziemlich umfangreich, viel größer als Ereignisdaten mit etwa 2–3 Millionen Zeilen pro Spiel.
Die Daten werden von in einem Stadion installierten Kameras erfasst und sind daher nicht allgemein verfügbar, da Teams normalerweise nur Zugriff auf die Daten in ihrer eigenen Liga haben.
Die Hauptanbieter dieser Daten sind Second Spectrum, STATS Perform, Metrica Sports und Signality.
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
| Last Row Tracking-ähnliche Daten von Ricardo Tavares | Von Ricardo Tavares gesammelte Tracking-ähnliche Daten. Sehen Sie sich die Liverpool Analytics Challenge an, für die diese Daten verwendet wurden (Gewinner besprochen auf Friends of Tracking [Link]). | GitHub-Repo |
| Metrica Sports Sample Tracking und entsprechende Veranstaltungsdaten | Drei Beispielübereinstimmungen synchronisierter Ereignis- und Trackingdaten. Informationen zum Arbeiten mit diesen Daten, einschließlich der Pitch-Control-Modellierung, finden Sie im LaurieOnTracking GitHub-Repo von Laurie Shaw und in den entsprechenden Friends of Tracking-Tutorials. | GitHub-Repo |
| Signality-Tracking-Daten | Drei Spiele mit Tracking-Daten aus der Allsvenskan – Hammarby vs. IF Elfsborg (22.07.2019), Hammarby 5 vs. 1 Örebrö (30.09.2019) und Hammarby vs. Malmö FF (20.10.2019). | Diese Daten wurden im Rahmen des Kurses Mathematische Modellierung des Fußballs 2020 zur Verfügung gestellt. Das Passwort zum Herunterladen der Daten ist nicht öffentlich verfügbar, kann aber in der Uppsala Mathematical Modeling of Football Slack-Gruppe [Link] gefunden werden. Für den Zugriff kontaktieren Sie Novosom Salvador über Twitter und [email protected] oder kontaktieren Sie mich selbst. Beachten Sie, dass die 2. Hälfte des Spiels Hammarby-Örebro unvollständig ist. |
Broadcast Tracking wird mithilfe von Computer-Vision-Techniken aus Sendematerial erfasst. Im Gegensatz zu Tracking-Daten im Stadion ist der Datensatz nicht vollständig und Spieler fehlen im übertragenen Filmmaterial. Der große Vorteil besteht jedoch darin, dass die gesammelten Daten viel kostengünstiger sind und die Abdeckung der verfügbaren Ligen viel größer ist, was für Aufgaben wie die Rekrutierungsanalyse äußerst nützlich ist.
Die Hauptanbieter dieser Daten sind SkillCorner und Sportlogiq.
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
| SkillCorner sendet Tracking-Daten | 9 Spiele mit Broadcast-Tracking-Daten, darunter Spiele von 2019/2020 für den Ligameister und Zweitplatzierten in der englischen Premier League, der französischen L1, der spanischen LaLiga, der italienischen Serie A und der deutschen Bundesliga. Weitere Informationen zu Broadcast-Tracking-Daten und ihren Anwendungsfällen finden Sie im folgenden Medium-Artikel [Link]. | GitHub-Repo |
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
| DAVIES-Modellierungsdaten | Geschätzte Spielerbewertungsdaten von Sam Goldberg und Mike Imburgio für American Soccer Analysis. Weitere Informationen zu DAVIES finden Sie im folgenden Blogbeitrag [Link]. | Glänzende App |
| Von StatsPerform bereitgestellte FBref-Saison-zu-Saison-aggregierte Spielerleistungsdaten. | Aggregierte Spielerleistungsdaten für die folgenden Wettbewerbe:
| Hinweis: Im Oktober 2022 gab es eine Änderung des von FBref für seine Statistiken verwendeten Datenanbieters von StatsBomb zu StatsPerform. Daher wird der folgende Scraping-Code in aktuelle Arbeitslösungen und archivierte Lösungen unterteilt:
|
| Statistiken zur Leistung und zum Center Circle der Canadian Premiere League | Aggregierte Spielerleistungsdaten | Google Drive |
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
| Elo-Club-Rangliste | Elo-Bewertungen für Vereinsfußball basieren auf vergangenen Ergebnissen, um eine Einschätzung der Stärke jedes Vereins zu ermöglichen und Vorhersagen für die Zukunft zu ermöglichen. | Daten verfügbar über:
|
| Euro-Club-Index | Rangliste der Fußballmannschaften der höchsten Spielklasse aller europäischen Länder, die ihre relative Spielstärke zu einem bestimmten Zeitpunkt und die zeitliche Entwicklung der Spielstärken zeigt. Weitere Informationen zur Methodik zur Berechnung dieser Rankings finden Sie auf der folgenden Seite [Link] | Link |
| FiveThirtyEight Club-Rangliste | Globale Vereinsfußball-Rangliste. Vergleich von 637 internationalen Vereinsmannschaften anhand des Soccer Power Index | Daten verfügbar über:
|
| Opta Power-Rankings | Opta Power-Rankings | Daten verfügbar über:
|
| UEFA-Klubkoeffizienten | UEFA-Klubkoeffizienten-Rangliste basierend auf den Ergebnissen aller europäischen Klubs in UEFA-Klubwettbewerben. | Daten verfügbar über:
|
| Weltrangliste der Fußball-/Fußballvereine | Club-Ranking-Website | Link |
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
| Physische Daten der Bundesliga | Bundesliga-Spielerstatistiken, bereitgestellt von AWS | Link (nicht in eine CSV gescrapt) |
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
| Kader der FIFA-Weltmeisterschaft 2018 | Tore, Länderspiele, Verein und Geburtsdatum der Spieler im Kader der FIFA-Weltmeisterschaft 2018. Quelle: data.world | Excel |
| engsoccerdata | Englische und europäische Fußballergebnisse 1871–2017 | GitHub-Repo |
| Spielergebnisse der FIFA-Weltmeisterschaft | Begegnungen und Ergebnisse der FIFA-Weltmeisterschaftsspiele von 1930 bis 2014. Quelle: data.world | Excel |
| FotMob | Datensatz mit Team- und Spielstatistiken, einschließlich xG und xG nach dem Schuss. | Diese Daten können wie folgt gescrapt werden:
|
| Fußballaufstellungen | Eine von den Benutzern per Crowdsourcing bereitgestellte Datenbank mit Teamtaktiken und -formationen. | Link |
international_results | Repository mit Ergebnissen von 44.353 Ergebnissen internationaler Fußballspiele vom allerersten offiziellen Spiel im Jahr 1872 bis 2022. | GitHub-Repo |
| smarterscout | Scouting- und Spielerbewertungs-Informationsplattform zur Bewertung der Leistung von Fußballspielern auf der ganzen Welt. Die Plattform wurde von Dan Altman bei North Yard Analytics entwickelt, um den Beitrag der Spieler zum Sieg, ihren Spielstil und ihr Können zu bewerten. Hinweis : Dies ist ein Abonnementdienst. | Link |
| SofaScore | Live-Ergebnisse, Aufstellungen, Tabellen, Heatmaps sowie grundlegende Team-, Trainer- und Spielerdaten | Link |
| Soccerway | Spielblattdaten | Link |
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
| Kapologie | Spielergehälter | Im Capology Player Salary Web Scraping-Notizbuch finden Sie Python-Code zum Scrapen von Capology-Daten oder zum Zugreifen auf gespeicherte CSV-Dateien im Datenunterordner |
| KPMG Fußball-Benchmark | Spielerbewertungsdaten | |
| Der Preis der Fußball-Master-Tabelle | Daten aus dem Finanz-/Geschäftsaspekt des Fußballs von Kieran Maguire | Link |
| spotrac | Spielerverträge, Gehälter und Transferinformationen für die Premier League, MLS und NWSL | |
| TransferMarkt | Daten zur Spielerbiografie, zu Verträgen und zum geschätzten Wert | Auf diese Daten kann wie folgt zugegriffen werden:
|
| Transferdaten des Guardian-Spielers | Zusammengestellt von Tom Worville (siehe Tweet [Link]) | GitHub |
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
| BetExplorer | Quotendaten | Link |
| Datenbank mit Fußballvorhersagen von FiveThirtyEight | Daten zur Fußballvorhersage | Link |
| Football-Data.co.uk | Gratiswetten und Fußballwetten, historische Fußballergebnisse und ein Wettquotenarchiv, Live-Ergebnisse, Quotenvergleich, Wetttipps und Wettartikel | Link |
| Internationale Fußballergebnisse von 1872 bis 2020 | ein aktueller Datensatz von über 40.000 internationalen Fußballergebnissen von Mart Jürisoo | Link |
Weitere Informationen zum Plotten Ihrer eigenen Ereignisdaten finden Sie im Twitter-Thread von Mark Wilkin [Link]:
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
| xT-Gitter | Ligaweite Expected Threat (xT)-Werte aus der Premier League-Saison 2017–18 (12x8-Raster), ermittelt von Karun Singh. Weitere Informationen zu xT finden Sie in Karuns Blogbeitrag [Link] | Link |
| EPV-Netz | Raster der erwarteten Besitzwerte, ermittelt von Laurie Shaw. Weitere Informationen finden Sie in der folgenden Vorlesung [Link] | Link |
| Zonen eines Spielfeldes | Aufteilung eines Spielfelds in Zonen zur Verwendung mit Visualisierung. Erstellt von Rob Carroll | Link |
| Name | Kommentare | Quelle/Methode(n) zum Abrufen der Daten |
|---|---|---|
awesome-football von football.db (Gerald Bauer) | Eine Sammlung großartiger Fußballdatensätze (Nationalmannschaften, Vereine, Spielpläne, Spieler, Stadien usw.). | GitHub-Repo |
| Data Hub Fußballdaten | Link | |
| Europäische Fußballdatenbank | Über 25.000 Spiele, Spieler- und Mannschaftsattribute für den europäischen Profifußball | Link |
| Daten zur FIFA 15-22-Spielerbewertung | Aus SoFIFA von Stefano Leone gestrichen | Link |
| FIFA 18-Spielerbewertungen | Über 17.000 Spieler, über 70 Attribute aus FIFA 18, bereitgestellt von sofifa | Link |
FootballData | „Eine Mischung aus JSON- und CSV-Football-Daten“ | GitHub |
footballcsv | Historische Fußballergebnisse im CSV-Format | Link |
| fußball.db | Eine kostenlose und offene Public-Domain-Fußballdatenbank und ein Schema zur Verwendung in jeder (Programmier-)Sprache (verwendet z. B. einfache Datensätze) | Link |
| Fußball xG | Link | |
| Leitfaden zu Fußball-/Fußballdaten und APIs von Joe Kampschmid | Link | |
| Meine Fußball-Fakten | Link | |
| Physioraum | Link | |
| PlusMinusData | Play-by-Play-Daten von espn.com | Link |
| Rec.Sport.Soccer Statistics Foundation | Historische Ligatabellen und Fußballergebnisse | Link |
| RoboCup-Fußballsimulator | Daten zum RoboCup-Fußballsimulator | Link |
| Squawka | Link | |
| Statistikbunker | Link | |
| Tableau-Datenressourcen | einschließlich Sportdaten | Link |
| Transferliga | Link | |
| Zwölf Fußball | Link | |
| Wosostate | Frauenfußballdaten aus der ganzen Welt | Link |
Die gesamte Dokumentation wird lokal im Dokumentationsunterordner gespeichert, einschließlich:
? Zurückkehren
soccer_analytics von Kraus Clemens – ein Python-Projekt, das den Ausgangspunkt für Analysen erleichtertFootball-Analytics-With-Python von Anmol DurgapalSchauen Sie sich das von Ninad Barbadikar organisierte Tableau für Sport -Discord -Server an, um mit einer Community von Tableau -Entwicklern zu interagieren
Eine YouTube-Wiedergabeliste von Tableau-Football-Videos und -Tutorials, die ich aus verschiedenen Quellen zusammengestellt habe, darunter die Tableau Football User Group, Rob Carroll, Tom Goodall und Ninad Barbadikar, finden Sie im folgenden [Link].
