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...

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 ...

  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...

“Este análisis fue realizado con fines educativos y de concientización, utilizando datos públicos y anónimos. Todo el contenido respeta la privacidad de los pacientes y busca aportar valor desde la ciencia de datos.” 🔍 Introducción Las enfermedades reumatológicas, como la artritis reumatoide, el lupus o la fibromialgia, afectan a miles de personas en México y el mundo. Más allá de los números, se trata de condiciones que influyen profundamente en la calidad de vida de quienes las padecen. En este artículo realizo un ejercicio educativo utilizando Python y Jupyter para explorar datos públicos de salud disponibles a través del sistema SINBA/SINAIS de la Secretaría de Salud. El objetivo no es presentar un diagnóstico ni emitir juicios clínicos, sino visibilizar patrones agregados y mostrar cómo la ciencia de datos puede aplicarse de manera respetuosa y útil en el ámbito médico y de salud pública . El análisis está pensado tanto para: 👩‍⚕️ Profesionales de salud que quieran apren...