El archivo README de este repositorio es una guía de recursos de materiales de aprendizaje, fuentes de datos, bibliotecas, artículos, blogs, etc., creada por todos aquellos que han hecho contribuciones a la comunidad de análisis de fútbol de código abierto. Este repositorio de GitHub y la lista de recursos son siempre un trabajo en progreso, y se agregan nuevos recursos con regularidad. Si cree que hay algún recurso que me he perdido, no dude en crear una solicitud de extracción o enviarme un mensaje a través de los enlaces anteriores y me comunicaré con usted lo más rápido que pueda.
Si te gusta el repositorio, no dudes en darle un (arriba a la derecha). ¡Salud!
Para obtener más información sobre este repositorio y el autor, consulte lo siguiente:
El código de este repositorio está escrito en una combinación de Python y R. Antes de comenzar, asegúrese de tener instalados los siguientes requisitos previos:
Bibliotecas generales de ciencia de datos de Python:
NumPy para computación de matrices multidimensionales;pandas para análisis y manipulación de datos;matplotlib y Seaborn para visualización de datos; yscitkit-learn y SciPy para aprendizaje automático.Bibliotecas Python de análisis de fútbol:
kloppy : un paquete para estandarizar datos de seguimiento y eventos de Koen Vossen y Jan Van Haaren. Ver el tutorial de YouTube [enlace]floodlight by Floodlight-sports: paquete para un análisis simplificado de datos deportivos. Está diseñado con un claro enfoque en la informática científica y se basa en bibliotecas populares como numpy o pandas. Consulte la siguiente documentación [enlace]matplotsoccer : una biblioteca de Python para visualizar datos de eventos de fútbol por Tom Decroosmplsoccer : una biblioteca de Python para trazar campos de fútbol en matplotlib por Andrew RowlinsonPySport , incluido PySport Soccer : colección de paquetes deportivos de código abierto, incluidos muchos de los mencionados en esta sección, por Koen Vossen.ScraperFC de Owen Seymour: un paquete de Python para extraer datos de FiveThirtyEight, FBref, Understat, Club Elo, Capology y TransferMarkt. Datos de eventos de Opta previamente extraídos a través de WhoScored? centro de coincidencias (la funcionalidad ahora se eliminó, pero consulte las versiones anteriores y los repositorios de GitHub para encontrar este código)statsbombapi : un contenedor de API de Python y clases de datos para datos de StatsBombstatsbombpy : una biblioteca de Python escrita por Francisco Goitia para acceder a los datos de StatsBombsocceraction : una biblioteca de Python para valorar las acciones individuales realizadas por jugadores de fútbol. Incluye una implementación de Amenaza Esperada (xT) de Tom Decroos et. Alabama.soccer_xg de ML KU Leuven: un paquete Python para entrenar y analizar modelos de goles esperados (xG) en el fútbolsoccerdata : obtenga datos de fútbol del Club Elo, ESPN, FBref, FiveThirtyEight, Football-Data.co.uk, SoFIFA y WhoScored de Pieter Robberechts.tyrone_mings de FCrSTATS: un webscraper de TransferMarkt en Python Bibliotecas generales de ciencia de datos de R:
Bibliotecas R de análisis de fútbol:
ggsoccer de Ben Torvaney: una biblioteca de visualización de fútbol en RggshakeR de Abhishek Mishra: un paquete R de análisis y visualización que funciona con datos de fútbol disponibles públicamente. Consulte la siguiente documentación [enlace]StatsBombR : un paquete de R para transmitir fácilmente datos de StatsBomb desde la API utilizando sus credenciales de inicio de sesión o desde el repositorio de datos abiertos de GitHub sin costo alguno en Rsoccermatics de Joe Gallagher: un paquete R para la visualización y análisis de seguimiento de fútbol y datos de eventosworldfootballR de Jason Zivkovic: un paquete R para extraer datos de fútbol mundial de FBref, TransferMarkt, Understat y fotmob (consulte la guía sobre cómo utilizar este paquete [enlace])? Devolver
El contenido de este repositorio de GitHub está organizado de la siguiente manera:
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 ??
? Devolver
El código de este repositorio está escrito principalmente en cuadernos Jupyter o scripts de Python, organizados en el siguiente flujo de trabajo:
? Devolver
Para ver los paneles de Tableau producidos con los datos diseñados en los cuadernos de este repositorio, consulte mi perfil público de Tableau: public.tableau.com/profile/edd.webster.
Ejemplos de paneles de Tableau:
? Devolver
Crédito a los siguientes recursos que se utilizaron para cerrar las brechas en esta guía de recursos una vez que se publicó:
analytics-handbook Repositorio de GitHub por Devin Pleuler: un repositorio de GitHub para iniciarse en el análisis de fútbolawesome-football de football.db (Gerald Bauer): una colección de impresionantes conjuntos de datos de fútbolawesome-football-analytics por Diego Pastorawesome-soccer-analytics por Matias MasciotoguideR de Dom Samangy: una hoja de cálculo de Google con más de 200 recursos de R, más de 100 tutoriales de Python, más de 30 paquetes, más de 25 cuentas a seguir, 10 hojas de trucos y varios libros y blogs gratuitos. Repositorio de GitHub [enlace]soccer-analytics-resources por Jan Van Haaren? Devolver
Buenos recursos para los nuevos en el uso de datos en el fútbol:
soccer-analytics-handbook por Devin Pleulerawesome-football-analytics por Diego Pastorawesome-soccer-analytics por Matias Masciotosoccer-analytics-resources por Jan Van Haaren? Devolver
Fuentes de datos y conjuntos de datos disponibles públicamente relacionados con el fútbol, desde datos de seguimiento, datos de eventos, datos agregados de rendimiento de los jugadores, estadísticas detalladas de partidos, registros de lesiones y valores de transferencias, y más.
Las fuentes de datos que se han utilizado en el código y el análisis de este repositorio se pueden encontrar en la subcarpeta data de este repositorio o en Google Drive (debido al límite de archivos de 100 MB de GitHub) [enlace]. Sin embargo, todo el código de este repositorio debería permitirle extraer, analizar y diseñar los conjuntos de datos según el resultado utilizado para el análisis y las visualizaciones presentadas.
Para obtener más información sobre los diferentes tipos de datos disponibles, como datos de eventos y seguimiento, consulte "¿Dónde puedo obtener datos?" sección del soccer_analytics_handbook de Devin Pleuler [enlace].
Para obtener una introducción rápida a los recursos gratuitos de datos de fútbol disponibles, consulte el siguiente hilo de Twitter de James Nalton [enlace].
Los datos de eventos son datos etiquetados para cada evento con el balón que tiene lugar durante un juego. Los datos se recopilan manualmente a partir de imágenes de televisión. Para obtener más información sobre la recopilación de datos, vea el siguiente video [enlace].
Cada coincidencia de datos de eventos tiene entre 2 y 3 mil eventos individuales (filas), según el proveedor.
Los principales proveedores de estos datos son StatsBomb, Stats Perform (formalmente Opta) y Wyscout.
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
| Datos abiertos de StatsBomb |
| Repositorio GitHub de datos abiertos de StatsBomb |
| StrataData por StrataBet | Se proporcionan datos de tiro fortuito. | Ya no está disponible (desde 2018), sin embargo, se puede encontrar en repositorios de GitHub de análisis antiguos (incluido este) [enlace]. |
| Conjunto de datos de posición de jugadores y vídeos de fútbol | Conjunto de datos de movimientos de jugadores de fútbol de élite y vídeos correspondientes, puestos a disposición por la Universidad de Oslo. Consulte el documento adjunto [enlace] | [Enlace] (parece que ya no funciona) |
| optá | Datos de eventos para más de 20 ligas, incluidas las '5 grandes' ligas europeas, algunas de las cuales se remontan a la temporada 09/10, | Datos disponibles mediante scraping WhoScored? Match Center a través de los siguientes métodos:
|
| Opta (conjunto de datos de muestra 11/12) | Datos agregados de rendimiento de los jugadores partido por partido para la temporada 11/12 y datos del evento F24 para un partido 11/12 entre Manchester City y Bolton Wanders como parte de la iniciativa #mcfcanalytics | Ya no está disponible (desde 2012), sin embargo, se puede encontrar en repositorios de GitHub de análisis antiguos (incluido este). |
| Entender | Tiros y metadatos, incluidos valores xG para las 'cinco grandes' ligas europeas y la Premier League rusa | A estos datos se puede acceder a través de lo siguiente:
|
| Wyscout | Datos de eventos para la temporada 17/18 para las 'cinco grandes' ligas europeas, la Eurocopa 2016 y la Copa del Mundo 2018 puestos a disposición por Luca Pappalardo, Alessio Rossi y Paolo Cintia. Vea su artículo Un conjunto de datos públicos sobre eventos espacio-temporales en competiciones de fútbol. | higo compartido |
Los datos de seguimiento registran las coordenadas xey de cada jugador en el campo, así como la pelota, varias veces por segundo (generalmente 10-25). Por esta razón, el conjunto de datos es bastante grande, mucho mayor que los datos de eventos, con alrededor de 2 a 3 millones de filas por juego.
Los datos se recopilan mediante cámaras instaladas en un estadio y, por lo tanto, no están ampliamente disponibles; los equipos normalmente solo tienen acceso a los datos en su propia liga.
Los principales proveedores de estos datos son Second Spectrum, STATS Perform, Metrica Sports y Signality.
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
| Datos tipo seguimiento de última fila por Ricardo Tavares | Datos tipo seguimiento recopilados por Ricardo Tavares. Consulte el Liverpool Analytics Challenge para el que se utilizaron estos datos (los ganadores se analizan en Friends of Tracking [enlace]). | repositorio de GitHub |
| Seguimiento de muestras de deportes de Metrica y datos de eventos correspondientes | Tres coincidencias de muestra de eventos sincronizados y datos de seguimiento. Para que el código funcione con estos datos, incluido el modelado de control de tono, consulte el repositorio LaurieOnTracking GitHub de Laurie Shaw y los tutoriales correspondientes de Friends of Tracking. | repositorio de GitHub |
| Datos de seguimiento de señal | Tres partidos de seguimiento de datos de la Allsvenskan: Hammarby vs. IF Elfsborg (22/07/2019), Hammarby 5 vs. 1 Örebrö (30/09/2019) y Hammarby vs. Malmö FF (20/10/2019). | Estos datos estuvieron disponibles como parte del curso Modelado matemático del fútbol 2020. La contraseña para descargar los datos no está disponible públicamente, pero se puede encontrar en el grupo Uppsala Mathematical Modeling of Football Slack [enlace]. Para acceder, comuníquese con Novosom Salvador Twitter y [email protected], o no dude en contactarme. Tenga en cuenta que la segunda mitad del partido Hammarby-Örebro está incompleta. |
Broadcast Tracking se recopila a partir de imágenes transmitidas utilizando técnicas de visión por computadora. A diferencia de los datos de seguimiento en el estadio, el conjunto de datos no está completo y faltan jugadores fuera de la toma del metraje transmitido. Sin embargo, el gran beneficio es que los datos recopilados son mucho más baratos y la cobertura de las ligas disponibles es mucho mayor, lo que resulta extremadamente útil para tareas como el análisis de reclutamiento.
Los principales proveedores de estos datos son SkillCorner y Sportlogiq.
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
| Transmisión de SkillCorner Datos de seguimiento | 9 partidos de datos de seguimiento de retransmisiones, incluidos partidos de 2019/2020 para los campeones y subcampeones de liga de la Premier League inglesa, la L1 francesa, la Liga española, la Serie A italiana y la Bundesliga alemana. Para obtener más información sobre los datos de seguimiento de transmisiones y sus casos de uso, consulte el siguiente artículo de Medium [enlace]. | repositorio de GitHub |
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
| Datos de modelado DAVIES | Datos estimados de evaluación de jugadores por Sam Goldberg y Mike Imburgio para American Soccer Analysis. Para obtener más información sobre DAVIES, consulte la siguiente publicación de blog [enlace]. | Aplicación brillante |
| Datos agregados de rendimiento de los jugadores temporada tras temporada de FBref proporcionados por StatsPerform. | Datos agregados de rendimiento de los jugadores para las siguientes competiciones:
| Nota: hubo un cambio en el proveedor de datos utilizado por FBref para sus estadísticas en octubre de 2022, de StatsBomb a StatsPerform. Por lo tanto, el siguiente código de scraping se divide en soluciones de trabajo actuales y soluciones archivadas:
|
| Estadísticas de rendimiento y datos de la Premier League canadiense del círculo central | Datos agregados de rendimiento de los jugadores | Google Drive |
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
| Clasificación del club Elo | Calificaciones Elo para el fútbol de clubes basadas en resultados pasados para permitir una estimación de la fortaleza de cada club, lo que permite hacer predicciones para el futuro. | Datos disponibles a través de:
|
| Índice de clubes del euro | Clasificación de los equipos de fútbol en la división más alta de todos los países europeos, que muestra sus fortalezas de juego relativas en un momento dado y el desarrollo de sus fortalezas de juego en el tiempo. Para ver más sobre la metodología utilizada para calcular estas clasificaciones, consulte la siguiente página [enlace] | Enlace |
| Clasificación del club FiveThirtyEight | Clasificación mundial de fútbol de clubes. Cómo se comparan 637 equipos de clubes internacionales según el Soccer Power Index | Datos disponibles a través de:
|
| Clasificaciones de poder opta | Clasificaciones de poder opta | Datos disponibles a través de:
|
| Coeficientes de clubes de la UEFA | Clasificaciones del coeficiente de clubes de la UEFA basadas en los resultados de todos los clubes europeos en competiciones de clubes de la UEFA. | Datos disponibles a través de:
|
| Clasificación Mundial de Fútbol / Clubes de Fútbol | Sitio web de clasificación de clubes | Enlace |
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
| Datos físicos de la Bundesliga | Estadísticas de jugadores de la Bundesliga, con tecnología de AWS | Enlace (no incluido en un CSV) |
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
| Plantillas de la Copa Mundial de la FIFA 2018 | Goles, partidos internacionales, club y fecha de nacimiento de los jugadores en las plantillas de la Copa Mundial de la FIFA 2018. Fuente: data.world | Sobresalir |
| engsoccerdata | Resultados del fútbol inglés y europeo 1871-2017 | repositorio de GitHub |
| Resultados del partido de la Copa Mundial de la FIFA | Emparejamientos y resultados de los partidos de la Copa Mundial de la FIFA de 1930 a 2014. Fuente: data.world | Sobresalir |
| FotMob | Conjunto de datos que incluye estadísticas del equipo y del juego, incluidos xG y xG posteriores al tiro. | Estos datos se pueden extraer usando:
|
| Alineaciones de fútbol | Una base de datos de tácticas y formaciones de equipos elaborada por los usuarios. | Enlace |
international_results | Repositorio de resultados de 44.353 resultados de partidos de fútbol internacionales desde el primer partido oficial en 1872 hasta 2022. | repositorio de GitHub |
| explorador inteligente | Plataforma de información de exploración y calificación de jugadores para evaluar el rendimiento de los jugadores de fútbol de todo el mundo. La plataforma fue desarrollada por Dan Altman de North Yard Analytics para evaluar las contribuciones de los jugadores a la victoria, su estilo de juego y su nivel de habilidad. Nota : este es un servicio de suscripción. | Enlace |
| Sofascore | Resultados en vivo, alineaciones, clasificaciones, mapas de calor y datos básicos de equipos, entrenadores y jugadores. | Enlace |
| Futbolway | Datos de la hoja de partido | Enlace |
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
| Capología | Salarios de los jugadores | Consulte el cuaderno de Capology Player Salary Web Scraping para obtener código Python para extraer datos de Capology o acceder a archivos CSV guardados en la subcarpeta de datos. |
| Punto de referencia de fútbol de KPMG | datos de valoración de jugadores | |
| Hoja de cálculo maestra del precio del fútbol | datos del aspecto financiero/comercial del fútbol por Kieran Maguire | Enlace |
| spotrac | Contratos de jugadores, salarios e información de transferencias para la Premier League, MLS y NWSL | |
| Mercado de transferencias | Datos biográficos, contractuales y de valor estimado del jugador. | A estos datos se puede acceder a través de lo siguiente:
|
| Datos de transferencia de jugadores guardianes | Recopilado por Tom Worville (ver Tweet [enlace]) | GitHub |
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
| BetExplorer | datos de probabilidades | Enlace |
| Base de datos de predicciones de fútbol FiveThirtyEight | datos de predicción de fútbol | Enlace |
| Football-Data.es | apuestas gratuitas y apuestas de fútbol, resultados históricos de fútbol y un archivo de cuotas de apuestas, resultados en vivo, comparación de cuotas, consejos de apuestas y artículos sobre apuestas | Enlace |
| Resultados del fútbol internacional de 1872 a 2020 | un conjunto de datos actualizado de más de 40.000 resultados de fútbol internacional elaborado por Mart Jürisoo | Enlace |
Consulte el hilo de Twitter de Mark Wilkin para obtener más información sobre cómo trazar sus propios datos de eventos [enlace]:
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
| rejilla xT | Valores de amenaza esperada (xT) para toda la liga de la temporada 2017-18 de la Premier League (cuadrícula de 12x8) determinados por Karun Singh. Para obtener más información sobre xT, consulte la publicación del blog de Karun [enlace] | Enlace |
| rejilla EPV | Cuadrícula de valores de posesión esperados determinada por Laurie Shaw. Consulte la siguiente conferencia para obtener más información [enlace] | Enlace |
| Zonas de un campo | Desglose de un campo en zonas, para uso con visualización. Creado por Rob Carroll | Enlace |
| Nombre | Comentarios | Fuente/método(s) para obtener los datos |
|---|---|---|
awesome-football por football.db (Gerald Bauer) | Una colección de impresionantes conjuntos de datos de fútbol (equipos nacionales, clubes, calendarios de partidos, jugadores, estadios, etc.) | repositorio de GitHub |
| Centro de datos Datos de fútbol | Enlace | |
| Base de datos de fútbol europeo | Más de 25.000 partidos, atributos de jugadores y equipos para el fútbol profesional europeo | Enlace |
| Datos de clasificación de jugadores de FIFA 15-22 | Extraído de SoFIFA por Stefano Leone | Enlace |
| Calificaciones de jugadores de FIFA 18 | Más de 17.000 jugadores, más de 70 atributos extraídos de FIFA 18, proporcionados por sofifa | Enlace |
FootballData | "Una mezcolanza de datos de fútbol JSON y CSV" | GitHub |
footballcsv | Resultados históricos de fútbol en formato CSV | Enlace |
| futbol.db | Una base de datos y un esquema de fútbol de dominio público, gratuitos y abiertos para usar en cualquier lenguaje (de programación) (por ejemplo, utiliza conjuntos de datos simples) | Enlace |
| Fútbol xG | Enlace | |
| Guía de API y datos de fútbol americano por Joe Kampschmid | Enlace | |
| Mis datos futbolísticos | Enlace | |
| Sala de fisioterapia | Enlace | |
| Más menos datos | datos juego por juego de espn.com | Enlace |
| Rec.Sport.Fundación de Estadísticas de Fútbol | Clasificaciones históricas y resultados de fútbol. | Enlace |
| Simulador de fútbol RoboCup | Datos del simulador de fútbol RoboCup | Enlace |
| graznido | Enlace | |
| Búnker de estadísticas | Enlace | |
| Recursos de datos de Tableau | incluyendo datos deportivos | Enlace |
| Liga de transferencia | Enlace | |
| Doce Fútbol | Enlace | |
| wosostatos | Datos del fútbol femenino de todo el mundo | Enlace |
Toda la documentación guardada localmente en la subcarpeta de documentación, incluyendo:
? Devolver
soccer_analytics de Kraus Clemens: un proyecto de Python que facilita el punto de partida para el análisisFootball-Analytics-With-Python por Anmol DurgapalConsulte el Tableau para el servidor Sports Discord Organizado por Ninad Barbadikar, para interactuar con una comunidad de desarrolladores de Tableau
Para una lista de reproducción de YouTube de videos y tutoriales de Tableau-Football que he recopilado de varias fuentes, incluido el grupo de usuarios de fútbol de Tableau, Rob Carroll, Tom Goodall y Ninad Barbadikar, vea el siguiente [enlace].
