🏎️ Análisis del GP de Madrid 2026 con Python El Gran Premio de Madrid 2026 nos dejó varios datos interesantes que podemos analizar utilizando datos de Fórmula 1 y Python. En este análisis vamos a responder cuatro preguntas: 😱 ¿Quiénes abandonaron el GP de Madrid? 🔥 ¿Quién ganó más posiciones durante la carrera? 🏆 ¿Qué equipo consiguió más puntos? 📊 ¿Cuándo podría Mercedes asegurar matemáticamente el campeonato? La idea es utilizar los datos para encontrar historias que no siempre son evidentes al observar solamente el resultado final de la carrera o comparar lo que se vivio en la carrera con los datos. 😱 ¿Quiénes abandonaron el GP de Madrid 2026? No todos los pilotos consiguieron llegar a la bandera a cuadros en Madrid. El análisis de los resultados de la carrera muestra cuatro abandonos. Carlos Sainz Jr fue uno de los abandonos más destacados. El piloto de Williams comenzó desde la P20 y completó 45 vueltas. (Lastima por Sainz en su casa) Tambié...

Gran Premio de Austria 2026: análisis de posiciones, remontadas y abandonos con Python El Gran Premio de Austria 2026 nos dejó una carrera con cambios importantes de posiciones, remontadas y cuatro abandonos. En este análisis utilizamos Python y datos obtenidos mediante una API de Fórmula 1 para estudiar qué pilotos ganaron posiciones, quién perdió más lugares desde la largada y qué pilotos no pudieron completar la carrera. Este análisis forma parte de nuestra serie de Sport Analytics de Fórmula 1 , donde utilizamos datos para descubrir historias interesantes dentro de las carreras. 📡 Fuente de datos: API de Fórmula 1 Para obtener los datos utilizamos la API de Fórmula 1 disponible a través de RapidAPI . La API utilizada fue: api-formula-1.p.rapidapi.com Primero consultamos las carreras de la temporada 2026 mediante el endpoint: /races?season=2026 A partir de esta consulta identificamos el Gran Premio de Austria 2026 . El identificador de la carrera f...

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 ...