Análisis de datos de F1 con Python: GP de Bahréin 2026 paso a paso

¿Qué podemos aprender de los datos de una carrera de Fórmula 1?

Una carrera de Fórmula 1 genera una gran cantidad de datos. Pero tener los datos no es suficiente: necesitamos saber qué preguntas queremos responder.

En este proyecto vamos a utilizar el GP de Bahréin 2026 como ejemplo para aprender cómo podemos obtener, transformar, analizar y visualizar datos deportivos utilizando Python.

La idea es sencilla: los datos ya están ahí; solo necesitamos aprender qué preguntarles.

🏎️ El GP de Bahréin 2026 como proyecto de Data Science

Para este análisis utilizamos datos de la carrera de Bahréin 2026 obtenidos mediante una API de Fórmula 1. A partir de esos datos podemos construir nuestras propias preguntas y encontrar patrones interesantes.

En lugar de limitarnos a conocer quién ganó la carrera, vamos a analizar tres aspectos:

¿Quiénes abandonaron la carrera?
¿Quiénes recuperaron más posiciones?
¿Quiénes perdieron más posiciones?

Este tipo de preguntas son un buen ejemplo de cómo podemos utilizar Python y Data Science para analizar información deportiva.

🔌 ¿Qué API utilizamos?

Para obtener los datos utilizamos la API de Fórmula 1 disponible a través de RapidAPI.

La API nos permite consultar información de las carreras y de los resultados de los pilotos. Para este análisis trabajamos con los datos correspondientes al GP de Bahréin 2026.

Una de las consultas utilizadas para obtener los resultados de una carrera corresponde al endpoint de rankings de carrera:

https://api-formula-1.p.rapidapi.com/rankings/races

A partir de la respuesta de la API podemos obtener información como:

Nombre del piloto
Equipo
Posición de salida
Posición final
Vueltas completadas
Estado de la carrera

🐍 Librerías de Python utilizadas

Para transformar los datos de la API en información que podamos analizar utilizamos varias librerías de Python.

Requests: para realizar las consultas a la API.
Pandas: para convertir y analizar los datos en DataFrames.
Matplotlib: para crear las visualizaciones.
Pillow (PIL): para trabajar con imágenes y elementos gráficos de los pilotos.

La combinación de estas herramientas permite construir un flujo de trabajo muy útil para proyectos de Data Science:

API → Python → Pandas → análisis → visualización → conclusiones

📊 1. ¿Quiénes abandonaron el GP de Bahréin 2026?

La primera pregunta que podemos hacerle a nuestros datos es:

¿Qué pilotos no terminaron la carrera?

En los datos de la API encontramos tres abandonos:

George Russell — 49 vueltas completadas
Alexander Albon — 41 vueltas completadas
Valtteri Bottas — 7 vueltas completadas

El caso de Russell resulta especialmente interesante porque terminó clasificado en P20 después de haber salido desde P7.

Esta es una de las ventajas de trabajar directamente con datos: podemos pasar de una lista de resultados a una visualización que nos permite detectar rápidamente los casos más llamativos,claro que siempre es importante tener contexto del deporte o del tema que hagamos el análisis.

🚀 2. ¿Quién recuperó más posiciones?

La siguiente pregunta es:

¿Qué piloto terminó la carrera en una posición mejor que la que ocupaba en la parrilla?

Para responderla podemos comparar la posición de salida con la posición final.

La idea matemática es:

Posiciones ganadas = posición de salida − posición final

Por ejemplo, Arvid Lindblad salió desde P22 y terminó en P12. Eso significa que recuperó 10 posiciones.

También destacaron Franco Colapinto con +8 posiciones y Liam Lawson, Nico Hülkenberg y Fernando Alonso con +4.

Aquí podemos ver cómo una operación muy sencilla sobre los datos puede convertirse en una pregunta interesante de análisis deportivo. En este caso por ejemplo podemos ver qué algo que resulta es que Alonso logró sus primeros puntos en la temporada.

📉 3. ¿Quién perdió más posiciones en Bahréin?

Ahora podemos hacer la pregunta contraria:

¿Quién terminó la carrera más atrás de la posición desde la que comenzó?

El resultado más llamativo fue el de George Russell.

Russell comenzó desde P7 y terminó clasificado en P20, una diferencia de 13 posiciones.

Entre los pilotos que terminaron la carrera también encontramos:

Gabriel Bortoleto: P10 → P18, −8 posiciones
Pierre Gasly: P9 → P16, −7 posiciones
Lando Norris: P5 → P9, −4 posiciones
Carlos Sainz Jr: P13 → P17, −4 posiciones

Este análisis también nos recuerda algo importante cuando trabajamos con datos: una caída de posiciones no necesariamente significa un mal rendimiento durante toda la carrera. En el caso de Russell, el abandono tiene un impacto directo sobre su posición final.

💡 ¿Qué aprendimos con este análisis?

Este proyecto muestra que no necesitamos comenzar con un conjunto de datos gigantesco para hacer Data Science. Incluso los resultados de una sola carrera pueden convertirse en un proyecto completo.

A partir de los datos de Bahréin pudimos:

Obtener información desde una API.
Convertir la respuesta en un DataFrame de Pandas.
Realizar cálculos sobre los resultados.
Comparar posiciones de salida y llegada.
Identificar abandonos.
Encontrar los pilotos que más posiciones ganaron.
Encontrar los pilotos que más posiciones perdieron.
Crear visualizaciones para comunicar los resultados.

🐍 ¿Quieres aprender Python con datos reales?

Este es precisamente el tipo de proyecto que puede servir para comenzar a practicar Python, Pandas, APIs, análisis de datos y visualización.

No se trata solamente de aprender a programar un gráfico. Lo importante es aprender a construir el proceso completo:

Preguntar → obtener datos → analizar → visualizar → explicar

Y la Fórmula 1 es un excelente laboratorio para practicarlo porque cada carrera genera nuevos datos y nuevas preguntas.

🏁 Conclusión

El GP de Bahréin 2026 nos permitió demostrar cómo podemos transformar datos de una API en un pequeño proyecto de Sport Analytics.

La pregunta inicial puede parecer sencilla: ¿quién ganó la carrera?

Pero cuando empezamos a explorar los datos aparecen muchas más preguntas: ¿quién abandonó?, ¿quién remontó?, ¿quién perdió posiciones?, ¿qué piloto sorprendió?

Y ahí es donde Python y Data Science empiezan a ser realmente interesantes.

Los datos ya están ahí. Solo necesitamos aprender qué preguntarles.