Análisis de la Copa Mundial FIFA 2026 con Python: Estadísticas, eficiencia ofensiva y visualizaciones

 

Análisis de la Copa Mundial FIFA 2026 con Python: Estadísticas, eficiencia ofensiva y visualizaciones antes de las semifinales

La ciencia de datos ofrece una excelente oportunidad para descubrir patrones que muchas veces pasan desapercibidos durante un partido de fútbol. En este proyecto utilizaremos Python, Pandas y Matplotlib para analizar información estadística de la Copa Mundial FIFA 2026 a partir de un conjunto de datos disponible en Kaggle, url Football 2026 World Cup Dataset

Más allá de obtener tablas y gráficos, el objetivo es responder preguntas interesantes como:

• ¿Qué selección fue la más eficiente frente al arco?
• ¿Qué equipos generaron más oportunidades de gol?
• ¿La cantidad de tiros realmente se traduce en más goles?
• ¿Qué estilos ofensivos se pueden identificar a partir de los datos?

Este artículo es el primero de una serie donde construiremos un proyecto completo de análisis deportivo utilizando Python, desde la exploración de datos hasta modelos predictivos.

📌 Alcance del análisis

Nota: Los datos utilizados en este artículo corresponden a los partidos disputados hasta los cuartos de final, justo antes del inicio de las semifinales de la Copa Mundial FIFA 2026. Las estadísticas reflejan únicamente esa etapa del torneo y se actualizarán conforme avance la competición.

Dataset utilizado

Para este proyecto se utilizó el dataset FIFA World Cup 2026 Dataset – Live & Updated Stats, publicado en Kaggle. El conjunto de datos incluye información detallada de los partidos, estadísticas por equipo, eventos minuto a minuto, disparos, expected goals (xG), posiciones promedio de los jugadores y otras métricas avanzadas, actualizándose conforme avanza el torneo.

Entre los archivos más importantes se encuentran:

• Información general de los partidos.
• Estadísticas completas por equipo.
• Eventos minuto a minuto.
• Disparos y Expected Goals (xG).
• Posiciones promedio de los jugadores.
• Momentum del partido.
• Incidentes como goles, tarjetas y sustituciones.

Tecnologías utilizadas

• Python
• Jupyter Notebook
• Pandas
• Matplotlib
• NumPy

---

Estadísticas generales del torneo

El primer paso consistió en consolidar la información de todos los encuentros para calcular indicadores generales del torneo como:

• Número de partidos.
• Goles anotados.
• Promedio de goles por encuentro.
• Tarjetas amarillas y rojas.
• Posesión promedio.
• Tiros por partido.
• Precisión de pase.
• Expected Goals (xG).

Este análisis sirve como punto de partida para entender el comportamiento general del campeonato antes de profundizar en métricas más avanzadas.

• Total de goles 281
• Promedio de goles por partido 2.87
• Tarjetas amarilla 250,promedio 2.6 por partido
• Tarjetas rojas 13
• Ganadores visitantes 26
• Ganadores locales 46
• Empates 26

---

¿Qué significa la eficiencia ofensiva?

Uno de los análisis más interesantes consiste en medir la eficiencia ofensiva de cada selección.

Para ello utilizamos una métrica muy sencilla:

Eficiencia (%) = Goles / Tiros × 100

Esta métrica no indica qué equipo anotó más goles, sino qué selección necesitó menos disparos para convertir un gol.

Por ejemplo, un equipo puede generar veinte disparos por partido y marcar tres goles, mientras que otro puede necesitar únicamente diez disparos para conseguir la misma cantidad de anotaciones. En ese escenario, el segundo equipo sería considerablemente más eficiente.Parq este mundial con ese criterio Países bajos es el más eficiente.

---

Perfil ofensivo de las selecciones

Uno de los gráficos más interesantes del análisis combina dos variables:

• Promedio de tiros por partido.
• Porcentaje de conversión de disparos en gol.

Esta visualización permite identificar rápidamente distintos estilos ofensivos, lo dividimos en 4 cuadrantes

🟢 Ataques completos (cuadrante superior derecho)

Equipos que generan muchas oportunidades y además convierten un alto porcentaje de ellas.

Cuadrante superior derecho

Mucho volumen + Alta eficiencia

Veo aquí:

🇫🇷 Francia (semifinalista)

🇦🇷 Argentina (semifinalista )

🏴󠁧󠁢󠁥󠁮󠁧󠁿 Inglaterra ( semifinalista )

🇩🇪 Alemania

🇲🇽 México

🇸🇳 Senegal

🇧🇷 Brasil

Estos equipos:

generan muchas oportunidades

convierten una buena cantidad

normalmente dominan los partidos.

🔵 Equipos clínicos (cuadrante superior izquierdo)

Selecciones que realizan menos disparos, pero aprovechan muy bien cada oportunidad frente al arco.

Poco volumen pero muy eficientes

🇳🇱 Países Bajos (en este analisis es el mas eficiente de la copa)

🇯🇵 Japón

🇳🇴 Noruega

🇦🇹 Austria

Estos equipos dicen:

"No necesito llegar veinte veces."

Llegan pocas veces...

Pero cuando llegan...

⚽ Gol.

Es un estilo muy distinto.

🟡 Generadores de ocasiones (cuadrante inferior derecho)

Equipos con un gran volumen ofensivo que necesitan muchos intentos para convertir.

🇪🇸España. (Semifinalista )

🇪🇨Colombia.

🇺🇾Uruguay.

🇹🇷Turquía.

Estos equipos hacen muchos tiros...

Pero convierten poco.

España, por ejemplo, parece un equipo que:

domina

controla

llega muchísimo

Pero necesita demasiados disparos.

🔴 Ataques con baja producción

Selecciones que generan pocas oportunidades y además presentan una baja eficacia ofensiva.

Este tipo de análisis demuestra que tener más disparos no siempre implica ser el ataque más eficiente del torneo.

Código fuente

Todo el código desarrollado para este análisis estará disponible de forma gratuita en GitHub para que puedas reproducir los resultados, modificarlos y utilizarlos como base para tus propios proyectos de análisis deportivo.

📥 Descarga el Notebook

Todo el código utilizado en este análisis está disponible gratuitamente en GitHub:

https://github.com/zelideth27-lab/fifa-world-cup-2026-python-analysis

⭐ Si este notebook te resulta útil, considera darle una estrella al repositorio en GitHub. Me ayuda a seguir publicando proyectos gratuitos de Python y Ciencia de Datos.

Conclusiones

Este proyecto demuestra cómo Python puede utilizarse para transformar datos deportivos en información útil. A través de unas cuantas líneas de código es posible descubrir patrones de rendimiento, comparar estilos de juego y construir visualizaciones que facilitan la interpretación de un torneo tan complejo como una Copa del Mundo.

Este es apenas el inicio de una serie donde exploraremos técnicas de análisis cada vez más avanzadas, combinando ciencia de datos, visualización y aprendizaje automático aplicado al fútbol.