Le README de ce référentiel est un guide de ressources contenant du matériel d'apprentissage, des sources de données, des bibliothèques, des articles, des blogs, etc., créé par tous ceux qui ont contribué à la communauté d'analyse du football open source. Ce référentiel GitHub et cette liste de ressources sont toujours un travail en cours, avec de nouvelles ressources ajoutées semi-régulièrement. Si vous pensez qu'il y a des ressources que j'ai manquées, n'hésitez pas à créer une pull request ou à m'envoyer un message sur les liens ci-dessus et je vous répondrai aussi vite que possible !
Si vous aimez le dépôt, n'hésitez pas à lui donner un (en haut à droite). Acclamations!
Pour plus d'informations sur ce référentiel et l'auteur, consultez les éléments suivants :
Le code de ce référentiel est écrit dans un mélange de Python et de R. Avant de commencer, assurez-vous que les conditions préalables suivantes sont installées :
Bibliothèques générales de science des données Python :
NumPy pour le calcul de tableaux multidimensionnels ;pandas pour l'analyse et la manipulation des données ;matplotlib et Seaborn pour la visualisation des données ; etscitkit-learn et SciPy pour l'apprentissage automatique.Bibliothèques Python d'analyse du football :
kloppy - un package pour normaliser les données de suivi et d'événements par Koen Vossen et Jan Van Haaren. Voir le tutoriel YouTube [lien]floodlight by Floodlight-sports - package pour une analyse rationalisée des données sportives. Il est conçu en mettant clairement l'accent sur le calcul scientifique et s'appuie sur des bibliothèques populaires telles que numpy ou pandas. Voir la documentation suivante [lien]matplotsoccer - une bibliothèque Python pour visualiser les données d'événements de football par Tom Decroosmplsoccer - une bibliothèque Python pour tracer des terrains de football dans matplotlib par Andrew RowlinsonPySport y compris PySport Soccer - collection de packages sportifs open source comprenant bon nombre de ceux mentionnés dans cette section, par Koen VossenScraperFC par Owen Seymour - un package Python pour récupérer les données de FiveThirtyEight, FBref, Understat, Club Elo, Capology et TransferMarkt. Les données d'événements Opta précédemment récupérées via WhoScored ? centre de correspondance (fonctionnalité maintenant supprimée mais consultez les anciennes versions et les dépôts GitHub pour trouver ce code)statsbombapi - un wrapper d'API Python et des classes de données pour les données StatsBombstatsbombpy - une bibliothèque Python écrite par Francisco Goitia pour accéder aux données StatsBombsocceraction - une bibliothèque Python pour valoriser les actions individuelles effectuées par les joueurs de football. Inclut une implémentation Expected Threat (xT) par Tom Decroos et. al.soccer_xg par ML KU Leuven - un package Python pour entraîner et analyser les modèles de buts attendus (xG) dans le footballsoccerdata - récupérez les données de football du Club Elo, ESPN, FBref, FiveThirtyEight, Football-Data.co.uk, SoFIFA et WhoScored par Pieter Robberechtstyrone_mings par FCrSTATS - un grattoir Web Python TransferMarkt Bibliothèques générales de science des données R :
Bibliothèques R d’analyse du football :
ggsoccer par Ben Torvaney - une bibliothèque de visualisation de football en RggshakeR par Abhishek Mishra - un package R d'analyse et de visualisation qui fonctionne avec des données de football accessibles au public. Voir la documentation suivante [lien]StatsBombR - un package R pour diffuser facilement des données StatsBomb depuis l'API en utilisant vos informations de connexion ou depuis le référentiel Open Data GitHub gratuitement dans Rsoccermatics par Joe Gallagher - un package R pour la visualisation et l'analyse du suivi du football et des données d'événementsworldfootballR par Jason Zivkovic - un package R pour extraire des données de football mondial (soccer) à partir de FBref, TransferMarkt, Understat et fotmob (voir le guide sur la façon d'utiliser ce package [lien])? Retour
Le contenu de ce référentiel GitHub est organisé comme suit :
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 ??
? Retour
Le code de ce référentiel est principalement écrit dans des notebooks Jupyter ou des scripts Python, organisés selon le workflow suivant :
? Retour
Pour les tableaux de bord Tableau produits à l'aide des données conçues dans les blocs-notes de ce référentiel, veuillez consulter mon profil Tableau Public : public.tableau.com/profile/edd.webster.
Exemples de tableaux de bord Tableau :
? Retour
Merci aux ressources suivantes qui ont toutes été utilisées pour combler les lacunes de ce guide de ressources une fois qu'il a été publié :
analytics-handbook par Devin Pleuler - un dépôt GitHub pour se lancer dans l'analyse du footballawesome-football par football.db (Gerald Bauer) - une collection d'ensembles de données impressionnants sur le footballawesome-football-analytics par Diego Pastorawesome-soccer-analytics par Matias MasciotoguideR par Dom Samangy - une feuille de calcul Google avec plus de 200 ressources R, plus de 100 didacticiels Python, plus de 30 packages, plus de 25 comptes à suivre, 10 aide-mémoire et plusieurs livres et blogs gratuits. Dépôt GitHub [lien]soccer-analytics-resources par Jan Van Haaren? Retour
Bonnes ressources pour ceux qui découvrent l’utilisation des données dans le football :
soccer-analytics-handbook par Devin Pleulerawesome-football-analytics par Diego Pastorawesome-soccer-analytics par Matias Masciotosoccer-analytics-resources par Jan Van Haaren? Retour
Sources de données et ensembles de données accessibles au public relatifs au football, à partir de données de suivi, de données d'événements, de données agrégées sur les performances des joueurs, de statistiques de match détaillées, de dossiers de blessures et de valeurs de transfert, etc.
Les sources de données qui ont été utilisées dans le code et l'analyse dans ce référentiel peuvent être trouvées dans le sous-dossier data de ce référentiel ou dans Google Drive (en raison de la limite de fichiers de 100 Mo de GitHub) [lien]. Cependant, tout le code de ce référentiel devrait vous permettre de récupérer, d'analyser et de concevoir les ensembles de données en fonction de la sortie utilisée pour l'analyse et les visualisations présentées.
Pour en savoir plus sur les différents types de données disponibles, telles que les données d'événements et de suivi, consultez la section « Où puis-je obtenir des données ? section du soccer_analytics_handbook de Devin Pleuler [lien].
Pour un aperçu rapide des ressources de données gratuites sur le football disponibles, consultez le fil Twitter suivant de James Nalton [lien].
Les données d'événement sont des données étiquetées pour chaque événement sur le ballon qui a lieu pendant un match. Les données sont collectées manuellement à partir d’images télévisées. Pour en savoir plus sur la collecte de données, voir la vidéo suivante [lien].
Chaque correspondance de données d'événement comporte environ 2 à 3 000 événements individuels (lignes), selon le fournisseur.
Les principaux fournisseurs de ces données sont StatsBomb, Stats Perform (anciennement Opta) et Wyscout.
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
| Données ouvertes StatsBomb |
| Dépôt GitHub de données ouvertes StatsBomb |
| StrataData par StrataBet | Données de tir aléatoire fournies | N'est plus disponible (depuis 2018), cependant, il peut être trouvé dans les dépôts GitHub d'anciennes analyses (y compris celle-ci) [lien]. |
| Ensemble de données sur la vidéo de football et la position du joueur | Ensemble de données sur les mouvements des joueurs de football d'élite et vidéos correspondantes, mis à disposition par l'Université d'Oslo. Voir le document d'accompagnement [lien] | [Lien] (semble ne plus fonctionner) |
| Opta | Données d'événements pour plus de 20 ligues, y compris les « Big 5 » ligues européennes, dont certaines remontent à la saison 09/10, | Données disponibles via scraping WhoScored? Match Center via les méthodes suivantes :
|
| Opta (exemple d'ensemble de données 11/12) | Données de performance des joueurs agrégées match par match pour la saison 11/12 et données d'événement F24 pour un match 11/12 Manchester City contre Bolton Wanders dans le cadre de l'initiative #mcfcanalytics | N'est plus disponible (depuis 2012), cependant, il peut être trouvé dans les dépôts GitHub d'anciennes analyses (y compris celle-ci). |
| Sous-estimer | Prise de vue et métadonnées, y compris les valeurs xG pour les « Big 5 » des ligues européennes et la Premier League russe | Ces données sont accessibles via les éléments suivants :
|
| Wyscout | Données d'événements pour la saison 17/18 pour les ligues européennes « Big 5 », le championnat de l'Euro 2016 et la Coupe du monde 2018 mises à disposition par Luca Pappalardo, Alessio Rossi et Paolo Cintia. Voir leur article Un ensemble de données publiques sur les événements spatio-temporels des matchs dans les compétitions de football. | Partage de figue |
Les données de suivi enregistrent les coordonnées x et y de chaque joueur sur le terrain, ainsi que du ballon, un certain nombre de fois par seconde (généralement 10 à 25). Pour cette raison, l’ensemble de données est assez volumineux, bien plus grand que les données d’événements, avec environ 2 à 3 millions de lignes par jeu.
Les données sont collectées par des caméras installées dans un stade et ne sont donc pas largement disponibles, les équipes n'ayant généralement accès aux données que dans leur propre ligue.
Les principaux fournisseurs de ces données sont Second Spectrum, STATS Perform, Metrica Sports et Signality.
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
| Données de type Last Row Tracking par Ricardo Tavares | Données de type suivi collectées par Ricardo Tavares. Voir le Liverpool Analytics Challenge pour lequel ces données ont été utilisées (les gagnants discutés sur Friends of Tracking [lien]). | Dépôt GitHub |
| Suivi des échantillons de Metrica Sports et données d'événement correspondantes | Trois exemples de correspondances d'événements synchronisés et de données de suivi. Pour que le code fonctionne avec ces données, y compris la modélisation Pitch Control, consultez le dépôt GitHub LaurieOnTracking de Laurie Shaw et les didacticiels Friends of Tracking correspondants. | Dépôt GitHub |
| Données de suivi de signal | Trois matchs de données de suivi de l'Allsvenskan - Hammarby contre IF Elfsborg (22/07/2019), Hammarby 5 contre 1 Örebrö (30/09/2019) et Hammarby contre Malmö FF (20/10/2019). | Ces données ont été mises à disposition dans le cadre du cours Modélisation mathématique du football 2020. Le mot de passe pour télécharger les données n'est pas accessible au public, mais peut être trouvé dans le groupe Uppsala Mathematical Modeling of Football Slack [lien]. Pour y accéder, contactez Novosom Salvador Twitter et [email protected], ou n'hésitez pas à me contacter. A noter, que la 2ème mi-temps du match Hammarby-Örebro est incomplète. |
Le suivi de diffusion est collecté à partir d’images diffusées à l’aide de techniques de vision par ordinateur. Contrairement aux données de suivi dans le stade, l'ensemble de données n'est pas complet et il manque des joueurs hors du champ des images diffusées. Cependant, le grand avantage est que les données collectées sont beaucoup moins chères et que la couverture des ligues disponibles est bien plus large, ce qui est extrêmement utile pour des tâches telles que l'analyse du recrutement.
Les principaux fournisseurs de ces données sont SkillCorner et Sportlogiq.
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
| Diffusion SkillCorner Données de suivi | 9 matchs de données de suivi de diffusion, y compris les matchs de 2019/2020 pour les champions et finalistes de la Premier League anglaise, de la L1 française, de la Liga espagnole, de la Serie A italienne et de la Bundesliga allemande. Pour en savoir plus sur les données de suivi de diffusion et leurs cas d'utilisation, consultez l'article Medium suivant [lien]. | Dépôt GitHub |
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
| Données de modélisation DAVIES | Données d’évaluation estimées des joueurs par Sam Goldberg et Mike Imburgio pour American Soccer Analysis. Pour en savoir plus sur DAVIES, consultez le billet de blog suivant [lien]. | Application brillante |
| FBref, données agrégées sur les performances des joueurs d'une saison à l'autre, fournies par StatsPerform. | Données agrégées sur les performances des joueurs pour les compétitions suivantes :
| Remarque : il y a eu un changement dans le fournisseur de données utilisé par FBref pour ses statistiques en octobre 2022, de StatsBomb à StatsPerform. Par conséquent, le code de scraping suivant est divisé en solutions de travail actuelles et solutions archivées :
|
| Données de Stats Perform et Centre Circle de la Première Ligue canadienne | Données agrégées sur les performances des joueurs | Google Drive |
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
| Classement des clubs Elo | Les notes Elo pour le football des clubs sont basées sur les résultats passés pour permettre d'estimer la force de chaque club, permettant ainsi des prédictions pour l'avenir. | Données disponibles via :
|
| Indice des EuroClubs | Classement des équipes de football dans la division la plus élevée de tous les pays européens, qui montre leurs forces de jeu relatives à un moment donné et l'évolution de leurs forces de jeu dans le temps. Pour en savoir plus sur la méthodologie utilisée pour calculer ces classements, voir la page suivante [lien] | Lien |
| Classement des clubs FiveThirtyEight | Classement mondial des clubs de football. Comment 637 équipes de clubs internationaux se comparent selon le Soccer Power Index | Données disponibles via :
|
| Classement de puissance Opta | Classement de puissance Opta | Données disponibles via :
|
| Coefficients des clubs de l'UEFA | Classement des coefficients des clubs de l'UEFA basé sur les résultats de tous les clubs européens dans les compétitions interclubs de l'UEFA. | Données disponibles via :
|
| Classement mondial des clubs de football / football | Site de classement des clubs | Lien |
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
| Données physiques de la Bundesliga | Statistiques des joueurs de Bundesliga, optimisées par AWS | Lien (non récupéré dans un CSV) |
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
| Composition de la Coupe du Monde de la FIFA 2018 | Buts, sélections, club et date de naissance des joueurs inscrits sur la liste de la Coupe du Monde de la FIFA 2018. Source : data.world | Exceller |
| frsoccerdata | Résultats du football anglais et européen 1871-2017 | Dépôt GitHub |
| Résultats des matchs de la Coupe du Monde de la FIFA | Matchs et résultats des matchs de la Coupe du Monde de la FIFA de 1930 à 2014. Source : data.world | Exceller |
| PhotoMob | Ensemble de données comprenant les statistiques d'équipe et de jeu, y compris xG et xG post-shot. | Ces données peuvent être récupérées en utilisant :
|
| Compositions de football | Une base de données de tactiques et de formations d'équipes collectées par les utilisateurs. | Lien |
international_results | Répertoire des résultats de 44 353 résultats de matchs internationaux de football depuis le tout premier match officiel en 1872 jusqu'en 2022. | Dépôt GitHub |
| scout intelligent | Plateforme d'information sur le dépistage et l'évaluation des joueurs pour évaluer les performances des joueurs de football du monde entier. La plateforme a été développée par Dan Altman de North Yard Analytics pour évaluer les contributions des joueurs à la victoire, leur style de jeu et leur niveau de compétence. Remarque : il s'agit d'un service par abonnement. | Lien |
| Joueur | Scores en direct, compositions, classements, cartes thermiques et données de base sur les équipes, les entraîneurs et les joueurs | Lien |
| Voie de football | Données de la feuille de match | Lien |
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
| Capologie | Salaires des joueurs | Consultez le bloc-notes Capology Player Salary Web Scraping pour le code Python afin de récupérer les données Capology ou d'accéder aux fichiers CSV enregistrés dans le sous-dossier de données. |
| KPMG Football Benchmark | données d'évaluation des joueurs | |
| Le prix de la feuille de calcul du maître du football | données sur l'aspect finance/affaires du football par Kieran Maguire | Lien |
| spotrac | Contrats des joueurs, salaires et informations de transfert pour la Premier League, la MLS et la NWSL | |
| Marché des transferts | Biographie du joueur, données contractuelles et valeur estimée | Ces données sont accessibles via les éléments suivants :
|
| Données de transfert du joueur gardien | Rassemblé par Tom Worville (voir Tweet [lien]) | GitHub |
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
| BetExplorer | données de cotes | Lien |
| Base de données de pronostics de football FiveThirtyEight | données de pronostics de football | Lien |
| Football-Data.co.uk | paris gratuits et paris sur le football, résultats historiques du football et archives des cotes de paris, scores en direct, comparaison des cotes, conseils de paris et articles sur les paris | Lien |
| Résultats du football international de 1872 à 2020 | un ensemble de données à jour de plus de 40 000 résultats de football international par Mart Jürisoo | Lien |
Consultez le fil Twitter de Mark Wilkin pour en savoir plus sur la façon de tracer vos propres données d'événement [lien] :
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
| grille xT | Valeurs de menace attendue (xT) à l'échelle de la ligue de la saison 2017-2018 de Premier League (grille 12x8) déterminées par Karun Singh. Pour plus d'informations sur xT, consultez le billet de blog de Karun [lien] | Lien |
| Réseau EPV | Grille des valeurs de possession attendues déterminée par Laurie Shaw. Voir la conférence suivante pour plus d'informations [lien] | Lien |
| Zones d'un emplacement | Décomposition d'un terrain en zones, à utiliser avec la visualisation. Créé par Rob Carroll | Lien |
| Nom | Commentaires | Source/méthode(s) pour obtenir les données |
|---|---|---|
awesome-football par football.db (Gerald Bauer) | Une collection de superbes ensembles de données sur le football (équipes nationales, clubs, calendriers des matchs, joueurs, stades, etc.) | Dépôt GitHub |
| Data Hub Données de football | Lien | |
| Base de données du football européen | Plus de 25 000 attributs de matchs, de joueurs et d’équipes pour le football professionnel européen | Lien |
| Données de notation des joueurs FIFA 15-22 | Extrait de SoFIFA par Stefano Leone | Lien |
| Notes des joueurs de FIFA 18 | Plus de 17 000 joueurs, plus de 70 attributs extraits de FIFA 18, fournis par sofifa | Lien |
FootballData | "Un méli-mélo de données JSON et CSV Football" | GitHub |
footballcsv | Résultats historiques du football au format CSV | Lien |
| football.db | Une base de données et un schéma de football du domaine public gratuits et ouverts à utiliser dans n'importe quel langage (de programmation) (par exemple, utilise des ensembles de données simples) | Lien |
| FootballxG | Lien | |
| Guide des données et API de football/soccer par Joe Kampschmid | Lien | |
| Mes faits sur le football | Lien | |
| Salle de physio | Lien | |
| PlusMoinsDonnées | jouer par jouer les données d'espn.com | Lien |
| Fondation des statistiques Rec.Sport.Soccer | Classements historiques et résultats de football | Lien |
| Simulateur de football RoboCup | Données du simulateur de football RoboCup | Lien |
| Squawka | Lien | |
| Bunker de statistiques | Lien | |
| Ressources de données Tableau | y compris les données sportives | Lien |
| Ligue de transfert | Lien | |
| Douze football | Lien | |
| wosostats | Données sur le football féminin du monde entier | Lien |
Toute la documentation enregistrée localement dans le sous-dossier documentation, notamment :
? Retour
soccer_analytics par Kraus Clemens - un projet Python qui facilite le point de départ de l'analyseFootball-Analytics-With-Python par Anmol DurgapalDécouvrez le Tableau for Sports Discord Server organisé par Ninad Barbadikar, pour interagir avec une communauté de développeurs de tableaux
Pour une playlist YouTube de vidéos et de tutoriels de troupeaux de tableaux que j'ai rassemblés à partir de diverses sources, notamment le groupe d'utilisateurs de football Tableau, Rob Carroll, Tom Goodall et Ninad Barbadikar, consultez le [lien] suivant.
