Top 15 partidos más emocionantes del Mundial FIFA 2026 con Python | Sport Analytics
Top 15 partidos más emocionantes del Mundial FIFA 2026 con Python | Sport Analytics
Cuando pensamos en el mejor partido de una Copa del Mundo normalmente recordamos las emociones que vivimos frente a la pantalla. Sin embargo, desde la perspectiva del Sport Analytics, surge una pregunta muy interesante.
¿Es posible medir qué tan emocionante fue un partido utilizando únicamente datos?
En este proyecto desarrollé un modelo con Python, Pandas y Matplotlib para identificar los 15 partidos más emocionantes del Mundial FIFA 2026 utilizando estadísticas ofensivas del juego.
El objetivo no es reemplazar la emoción de los aficionados, sino demostrar cómo la ciencia de datos puede complementar nuestra percepción mediante métricas objetivas.
📊 Origen de los datos
Para este análisis utilicé el mismo Football 2026 World Cup Dataset de Kaggle empleado en artículos anteriores de esta serie.
- Eventos del partido
- Expected Goals (xG)
- Posesión del balón
- Tiros y tiros a puerta
- Big Chances
- Jugadores
- Momentum
- Incidentes
Gracias a esta información es posible construir indicadores mucho más interesantes que simplemente observar el marcador final.
Dataset: Football 2026 World Cup Dataset
⚽ Construyendo el Excitement Score
Un partido emocionante no siempre es el que tiene más goles. También intervienen los tiros, las grandes oportunidades creadas y la presión ofensiva.
Excitement Score = Shots + (Big Chances × 2) + (Goals × 3)
Esta fórmula busca priorizar los encuentros con mayor actividad ofensiva y mayor cantidad de oportunidades claras de gol.
📈 Top 15 partidos más emocionantes
La siguiente visualización muestra el ranking generado por el algoritmo.
Figura 1. Ranking de los 15 partidos más emocionantes según el Excitement Score.
- Eje X: tiros dentro del área.
- Eje Y: tiros a puerta.
- Tamaño: goles.
- Color: grandes oportunidades.
- Número: posición en el ranking.
🤔 ¿Coincide el algoritmo con mis partidos favoritos?
Después de construir un ranking completamente objetivo surgió una pregunta inevitable:
¿Los partidos que más disfruté viendo también aparecen entre los mejor clasificados por el algoritmo?
Para responderla comparé el ranking generado por Python con mi propia selección de encuentros favoritos.
⚽ Mi Top 10 personal del Mundial FIFA 2026
- 🇦🇷 Argentina vs 🇨🇻 Cabo Verde
- 🇲🇽 México vs 🇬🇧 Inglaterra
- 🇳🇱 Países Bajos vs 🇯🇵 Japón
- 🇪🇸 España vs 🇦🇷 Argentina
- 🇬🇧 Inglaterra vs 🇫🇷 Francia
- 🇪🇸 España vs 🇧🇪 Bélgica
- 🇪🇸 España vs 🇨🇻 Cabo Verde
- 🇪🇬 Egipto vs 🇦🇷 Argentina
- 🇳🇴 Noruega vs 🇬🇧 Inglaterra
- 🇳🇴 Noruega vs 🇸🇳 Senegal
Figura 2. Comparación de mis partidos favoritos utilizando el Excitement Score.
Fue interesante comprobar que varios de mis partidos favoritos también obtuvieron puntuaciones muy altas. Esto sugiere que variables como los tiros, las grandes oportunidades y los goles capturan buena parte de la intensidad que percibimos durante un encuentro.
No obstante, el fútbol siempre tendrá un componente emocional imposible de medir por completo: el contexto, una remontada, un gol en los últimos minutos o simplemente el equipo al que apoyamos.
🔍 Hallazgos del análisis
- Los partidos con más goles no siempre fueron los más emocionantes.
- Las grandes oportunidades tienen un peso importante en la intensidad ofensiva.
- Varios de mis partidos favoritos también obtuvieron un Excitement Score elevado.
- El análisis de datos complementa la experiencia del aficionado.
🐍 Tecnologías utilizadas
- Python
- Pandas
- NumPy
- Matplotlib
- Jupyter Notebook
- Football 2026 World Cup Dataset
💻 Código disponible en GitHub
El repositorio incluye la limpieza del dataset, el cálculo del Excitement Score y la generación de todas las visualizaciones para que cualquier persona pueda reproducir el análisis.
📢 Conclusión
Este proyecto demuestra que el análisis deportivo y la pasión por el fútbol pueden complementarse perfectamente. Python permite transformar miles de registros estadísticos en visualizaciones claras que ayudan a descubrir historias ocultas detrás de los datos.
En los próximos artículos continuaré explorando este dataset con nuevas métricas, análisis de jugadores y más proyectos de Sport Analytics.
Comentarios
Publicar un comentario
Dejanos tus dudas y comentarios