¿Qué hace realmente emocionante a un partido de fútbol? Cuando hablamos de un gran partido solemos pensar inmediatamente en muchos goles. Sin embargo, en Sports Analytics la producción ofensiva puede analizarse desde una perspectiva mucho más amplia utilizando estadísticas avanzadas. En este proyecto desarrollé un Match Excitement Score (MES) , un índice que resume la actividad ofensiva de cada encuentro del Mundial FIFA 2026 mediante una combinación de métricas tradicionales y avanzadas. Todo el análisis fue realizado en Python utilizando Pandas y Matplotlib, compartiendo además el notebook completo para que cualquier persona pueda reproducir los resultados. ¿Cómo se construyó el Match Excitement Score? El índice integra seis variables ofensivas disponibles en el dataset: ⚽ Goles 📈 Expected Goals (xG) 🎯 Total de disparos 🥅 Disparos a puerta 🔥 Big Chances 📍 Toques dentro del área rival Cada variable fue estandarizada mediante Z-score y posteriormente ...

Identificando los partidos con menor actividad ofensiva del Mundial FIFA 2026 mediante Python ¿Un partido con pocos goles es necesariamente aburrido? No siempre. Existen encuentros que terminan 0-0 y ofrecen múltiples oportunidades de gol, mientras que otros finalizan con varios goles tras muy pocas ocasiones claras. Con el objetivo de realizar un análisis basado en datos y no únicamente en percepciones, desarrollé un Match Excitement Score (MES) , una métrica que resume la producción ofensiva de cada partido utilizando estadísticas avanzadas del Mundial FIFA 2026. Me lleve una gran sorpresa. Todo el análisis fue realizado en Python utilizando un dataset completo del torneo y el código del notebook será compartido al final de este artículo para que cualquier persona pueda reproducir los resultados. El dataset lo obtienen de  Kaggle  Dataset: Football 2026 World Cup Dataset ¿Cómo se calculó el Match Excitement Score? El índice se construyó utilizando seis indi...

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 ...

Can Data Measure Football Excitement? Ranking FIFA World Cup 2026 Matches with Python When fans remember a great football match, they usually think about unforgettable goals, dramatic comebacks and emotional moments. But from a Sports Analytics perspective, another question appears. Can we measure how exciting a football match was using only data? In this project I analyzed the FIFA World Cup 2026 using Python , Pandas and Matplotlib to create a simple metric called Excitement Score . Dataset The analysis uses the Football World Cup 2026 Dataset from Kaggle containing: Match events Expected Goals (xG) Possession Shots Shots on target Big Chances Player information Momentum Dataset: Football World Cup 2026 Dataset Building the Excitement Score Goals alone do not tell the whole story. I combined multiple offensive statistics into a simple metric. Excitement Score = Shots + (Big Chances × 2) + (Goals × 3) The weights are intentionally simple and ...

 Introducción Cuando trabajamos con un conjunto de datos, normalmente el siguiente paso consiste en crear gráficos y calcular estadísticas. Sin embargo, un gráfico por sí solo no siempre explica lo que realmente está ocurriendo. En este proyecto utilicé un dataset público de Kaggle con información del Mundial de la FIFA 2026. Después de preparar los datos con Python y Pandas, decidí incorporar Inteligencia Artificial como apoyo para formular preguntas, identificar patrones y convertir los números en una historia con sentido. El objetivo no fue que la IA reemplazara el análisis, sino utilizarla como un asistente capaz de proponer nuevas perspectivas y ayudar a interpretar los resultados obtenidos. ¿Qué información contiene el dataset? El conjunto de datos incluye información de todas las selecciones participantes en el Mundial 2026, entre ellas: Información de los jugadores. Estadísticas por partido. Eventos del encuentro. Goles esperados (Expected Goals). Disparos realizados. Posic...

  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 modelo...

Análisis del Top 100 ATP con Python y Tennis API: ¿Quién domina cada superficie? Los datos deportivos son una excelente forma de aprender análisis de datos y visualización con Python. En este artículo exploramos el rendimiento histórico del Top 100 ATP actual utilizando la Tennis API , una plataforma que ofrece acceso a rankings, perfiles de jugadores, resultados en vivo, estadísticas históricas y mucho más. Nuestro objetivo fue responder una pregunta sencilla: ¿Quiénes son los mejores jugadores del Top 100 ATP actual en cada superficie? Para ello utilizamos Python, Pandas y Plotly para analizar más de 3,700 registros históricos obtenidos desde la API desde 2004 a 2026 para el top100 . Obtención de datos con Tennis API La información fue obtenida utilizando el endpoint Surface Summary disponible en la documentación oficial de Tennis API. Documentación: https://tennisapidoc.matchstat.com/ Sitio oficial: https://tennis-api.com/ El proceso consistió en: Obte...

Análisis de divorcios en México con Python y datos del INEGI (Proyecto real de Ciencia de Datos) ¿Alguna vez te has preguntado qué estados de México tienen las tasas de divorcio más altas y cómo analizarlo con datos reales? En este proyecto práctico de Ciencia de Datos con Python , trabajé directamente con microdatos oficiales del INEGI para responder esa pregunta. El resultado es un mapa interactivo profesional que permite explorar visualmente los divorcios en México, normalizados por cada 1,000 habitantes , usando herramientas reales que se utilizan en el mundo laboral. ¿Qué aprenderás con este proyecto? Consolidación masiva de datos: lectura automática de más de 9 archivos CSV desde una carpeta. Limpieza de datos reales: solución a errores de codificación (UTF-8 vs Latin1) y cruces con catálogos oficiales del INEGI. Análisis estadístico: normalización de tasas por población para comparaciones correctas entre estados. Visualización geoespacial: creación d...

Los divorcios son un fenómeno social que refleja cambios en la estructura familiar y las dinámicas de pareja en México. Analizar estos datos nos permite entender patrones, tendencias y diferencias según el sexo de los integrantes, duración del matrimonio y otras variables relevantes. En este artículo, exploraremos un conjunto de datos oficiales sobre divorcios en México utilizando Python y Jupyter Notebook. A través de limpieza de datos, visualizaciones y análisis estadístico, obtendremos conclusiones que nos ayudan a comprender mejor la dinámica de estos eventos. A continuación, describo los pasos que seguí para realizar este análisis de manera clara y estructurada: Obtener los datos de una fuente oficial Analizar la información descargada  Leer los datos con Panda Limpiar Datos Hacer análisis con graficas Generar una descripción de estas gráficas para obtener algunas conclusiones Las Herramientas tecnológicas que vamos a utilizar son Python Jupyter  Matplotlib seaborn ...