FIFA 18: Ultimate Team

Introdução

FIFA 18 Ultimate Team é uma vertente eletrônica da renomada franquia de jogos de futebol, onde oferece aos entusiastas uma experiência única de construção de equipes. Neste modo, a essência do jogo ultrapassa os limites virtuais, introduzindo uma dinâmica em que os jogadores são representados por cartas que demonstram não apenas suas estatísticas reais, mas também simulam sua influência tanto no mundo virtual quanto no mundo real.

Neste projeto serão analisadas as informações contidas no dataset “FIFA 18 Ultimate Team” disponível no site Kaggle. A análise dos dados apresentados neste relatório visa compreender melhor a dinâmica e as características dos jogadores presentes em um determinado jogo, abordando diferentes aspectos como distribuição de pontuações, preferências por idade, nacionalidade, posição em campo, valor de mercado e distribuição por clubes. Essa investigação é crucial para diversos interessados, desde os desenvolvedores de jogos com a mesma vertente, que buscam aprimorar a experiência do usuário, até os jogadores e entusiastas do esporte, que desejam entender as tendências e características dos jogadores virtuais disponíveis.

Planejamento e Metodologia:

Para abordar essa análise, utilizamos uma ampla base de dados que inclui informações detalhadas sobre os jogadores, como pontuações, idades, preferências de perna, nacionalidades, preços nas diferentes plataformas, ligas em que atuam e clubes aos quais pertencem. A metodologia empregada envolveu a análise de diversos gráficos, incluindo histogramas, gráficos de pizza, de barras e de dispersão, para visualizar e interpretar as diferentes distribuições e tendências observadas nos dados.

Abordagem Proposta:

Nossa abordagem consiste em identificar padrões e tendências nos dados fornecidos, destacando aspectos como a distribuição de pontuações, preferências de perna, nacionalidades predominantes, ligas mais representadas e posições mais populares entre os jogadores. Através dessa análise, buscamos fornecer insights valiosos para os potenciais interessados, permitindo uma compreensão mais profunda do perfil dos jogadores disponíveis no jogo.

Benefícios da Análise:

Esta análise proporcionará aos potenciais clientes uma visão abrangente e detalhada do cenário dos jogadores no jogo, permitindo uma melhor compreensão das tendências e características dos jogadores virtuais. Essas informações podem ser úteis para os desenvolvedores de jogos similares, que podem utilizar os insights para ajustar e melhorar a experiência do usuário, bem como para os jogadores e entusiastas do esporte, que podem utilizar os dados para tomar decisões estratégicas dentro do jogo e acompanhar as tendências do mercado virtual de jogadores.

Pacotes Utilizados

Pacotes necessários

Os pacotes que foram utilizados durante esse projeto.

Pacotes Utilização
DT na manipulação da tabela com os jogadores
dplyr para manipulação avançada dos DataFrames
plotly para visualização de gráficos
knitr para geração de tabelas

Tratamento de Dados

Importação dos Dados

Abaixo está a importação da base de dados

db <- read.csv("FIFA18 - Ultimate Team players.csv")

A base possui 84 colunas e 21561 linhas, onde as colunas são nomeadas da seguinte forma: player_ID, player_name, player_extended_name, quality, revision, origin, overall, club, league, nationality, position, age, date_of_birth, height, weight, intl_rep, added_date, pace, pace_acceleration, pace_sprint_speed, dribbling, drib_agility, drib_balance, drib_reactions, drib_ball_control, drib_dribbling, drib_composure, shooting, shoot_positioning, shoot_finishing, shoot_shot_power, shoot_long_shots, shoot_volleys, shoot_penalties, passing, pass_vision, pass_crossing, pass_free_kick, pass_short, pass_long, pass_curve, defending, def_interceptions, def_heading, def_marking, def_stand_tackle, def_slid_tackle, physicality, phys_jumping, phys_stamina, phys_strength, phys_aggression, gk_diving, gk_reflexes, gk_handling, gk_speed, gk_kicking, gk_positoning, pref_foot, att_workrate, def_workrate, weak_foot, skill_moves, cb, rb, lb, rwb, lwb, cdm, cm, rm, lm, cam, cf, rf, lf, rw, lw, st, price_ps4, price_xbox, price_pc, traits, specialties


Visualização da base carregada

Abaixo estão as cinco primeiras linhas das dez primeiras colunas do dataframe “FIFA 18 Ultimate Team”, que é o objeto de estudo.

kable(head(db[, 1:11], 5))
player_ID player_name player_extended_name quality revision origin overall club league nationality position
1 Pelé Edson Arantes Nascimento Gold - Rare Icon N/A 98 Icons Icons Brazil CAM
2 Maradona Diego Maradona Gold - Rare Icon N/A 97 Icons Icons Argentina CAM
3 Ronaldo Ronaldo Luís Nazário de Lima Gold - Rare Icon N/A 96 Icons Icons Brazil ST
4 Pelé Edson Arantes Nascimento Gold - Rare Icon N/A 95 Icons Icons Brazil CF
5 Maradona Diego Maradona Gold - Rare Icon N/A 95 Icons Icons Argentina CAM

Preparação Inicial dos Dados

Aqui, diversas colunas do conjunto de dados estão sendo transformadas em fatores. Essa abordagem é benéfica para análise estatística e visualização gráfica de dados categorizados no contexto do ambiente R.

#Transformando as colunas em fator

db$quality <- as.factor(db$quality)
db$pref_foot <- as.factor(db$pref_foot)
db$att_workrate <- as.factor(db$att_workrate)
db$def_workrate <- as.factor(db$def_workrate)
db$position <- as.factor(db$position)

O código abaixo está atualizando as colunas de preço no dataset para garantir que os valores estejam em um formato numérico, isso será útil para realizar cálculos e análises estatísticas posteriormente.

# Convertendo os valores da coluna de preço para formato numérico
db <- db %>%
  mutate(
    price_ps4 = as.numeric(price_ps4),
    price_xbox = as.numeric(price_xbox),
    price_pc = as.numeric(price_pc)
  )
## Warning: There were 3 warnings in `mutate()`.
## The first warning was:
## ℹ In argument: `price_ps4 = as.numeric(price_ps4)`.
## Caused by warning:
## ! NAs introduzidos por coerção
## ℹ Run `dplyr::last_dplyr_warnings()` to see the 2 remaining warnings.

Limpeza de Dados

Existe um número considerável de jogadores duplicados que não serão considerados na análise de dados, resultando na exclusão deles da base. Adicionalmente, há várias colunas contendo atributos in game que não serão relevantes durante a fase de análise, e, portanto, foram removidas da base de dados. Além disso, algumas colunas foram convertidas em fatores.

Abaixo estão sendo excluídas as colunas que não serão usadas na análise de dados, deixando apenas aquelas consideradas importantes para o propósito de estudo.

# Excluindo as colunas indesejadas

db <- db[, c("player_name", "player_extended_name", "quality", "revision", "overall", "club", "league", "nationality", "position", "age", "height", "weight","pref_foot", "price_ps4", "price_xbox", "price_pc")]

O código abaixo garante que cada jogador apareça apenas uma vez nos dados, removendo duplicatas para manter a integridade e precisão na análise.

# Removendo jogadores duplicados
duplicados <-which(duplicated(db$player_name))
db <- db[-duplicados,]

O código abaixo garante que apenas dados completos sejam incluídos na análise, o que é importante para evitar resultados distorcidos ou imprecisos.

# Remoção de linhas que contém valores ausentes nas colunas de preço
db <- db %>%
  filter(!is.na(price_ps4) & !is.na(price_xbox) & !is.na(price_pc))

Após a limpeza, a base de dados possui 10675 jogadores com 16 atributos diferentes.

Na coluna 13 se encontra o pé preferido do jogador, 1 e 2 se encontra o nome conhecido e o nome completo respectivamente e as colunas de 8 a 12 que possuem a nacionalidade, a posição, idade, altura e peso.

datatable(db[1:3,1:5])
datatable(db[1:3, 6:10])
datatable(db[1:3,11:15])

Filtragem dos dados

Abaixo, é adicionada uma nova informação chamada “intervalo_idade” ao conjunto de dados ao dividir as idades dos jogadores em intervalos específicos, como “17-21 anos”, “22-26 anos”, “27-31 anos” e “Mais de 31 anos”, utilizando a função cut(). Cada idade é atribuída a um desses grupos com base nos intervalos pré-definidos.

intervalos_idade <- c("17-21 anos", "22-26 anos", "27-31 anos", "Mais de 31 anos")

# Criando uma variável de intervalo de idade
db <- db %>% mutate(intervalo_idade = cut(age, breaks = c(17, 21, 26, 31, Inf),
                                           labels = intervalos_idade, include.lowest = TRUE))

Os dados são estruturados com base nos intervalos de idade definidos previamente na variável “intervalo_idade”, contando o número de jogadores em cada intervalo. Os dados são agrupados por intervalo de idade e os resultados são armazenados na variável “idade_counts”.

# Agrupando por intervalo de idade e contando o número de jogadores em cada intervalo
idade_counts <- db %>% 
  group_by(intervalo_idade) %>% 
  summarise(count = n())

Os jogadores com pontuação geral acima de 80 são filtrados no conjunto de dados para análise. Em seguida, os mesmos intervalos de idade definidos anteriormente na variável “intervalo_idade” são mantidos. Isso é feito usando a função filter() para selecionar os jogadores com pontuação geral acima de 80 e, depois, a função mutate() é aplicada para categorizar as idades desses jogadores nos mesmos intervalos de idade definidos anteriormente. Os resultados são armazenados na variável “filtered_data”.

#Filtrando jogadores com pontuação geral maior que 80 e considerando os mesmos intervalos de idade
filtered_data <- db %>% filter(overall > 80)
filtered_data <- filtered_data %>% mutate(intervalo_idade = cut(age, breaks = c(17, 21, 26, 31, Inf),
                                           labels = intervalos_idade, include.lowest = TRUE))

Os dados filtrados são agrupados com base nos intervalos de idade e preferência de perna dos jogadores. É contado o número de jogadores em cada combinação de intervalo de idade e preferência de perna. Os resultados são armazenados na variável “pref_foot_counts”.

# Agrupando por intervalo de idade, preferência de perna e contando o número de jogadores em cada grupo
pref_foot_counts <- filtered_data %>% 
  group_by(intervalo_idade, pref_foot) %>% 
  summarise(count = n())
## `summarise()` has grouped output by 'intervalo_idade'. You can override using
## the `.groups` argument.

Abaixo está o cálculo da porcentagem de jogadores em cada grupo, com base nos intervalos de idade previamente definidos na variável “intervalo_idade”, é apresentado abaixo. Esse processo utiliza a função group_by() para agrupar os dados por intervalo de idade e a função mutate() para calcular as respectivas porcentagens. Os valores resultantes são armazenados na variável “pref_foot_counts”.”

# Calculando a porcentagem de jogadores em cada grupo
pref_foot_counts <- pref_foot_counts %>% 
  group_by(intervalo_idade) %>% 
  mutate(percentage = (count / sum(count)) * 100)

É calculada a porcentagem de jogadores em cada intervalo de idade com base nas contagens previamente obtidas na variável “idade_counts”. Os resultados são armazenados na própria variável “idade_counts”.

# Calculando a porcentagem de jogadores em cada intervalo de idade
idade_counts <- idade_counts %>% 
  mutate(percentage = (count / sum(count)) * 100)

Os jogadores com uma pontuação geral superior a 80 são filtrados no conjunto de dados. Em seguida, os mesmos intervalos de idade definidos anteriormente na variável “intervalo_idade” são mantidos. Isso é realizado através da função filter() para selecionar os jogadores com pontuação geral acima de 80 e, então, utilizando a função mutate() para categorizar as idades desses jogadores nos mesmos intervalos de idade definidos anteriormente. Os resultados são armazenados na variável “filtered_data”.

# Filtrando jogadores com pontuação geral maior que 80 e considerando os mesmos intervalos de idade
filtered_data <- db %>% filter(overall > 80)
filtered_data <- filtered_data %>% mutate(intervalo_idade = cut(age, breaks = c(17, 21, 26, 31, Inf),
                                           labels = intervalos_idade, include.lowest = TRUE))

Os dados filtrados são agrupados de acordo com os intervalos de idade e preferência de perna dos jogadores. Em seguida, é realizada uma contagem do número de jogadores em cada combinação de intervalo de idade e preferência de perna. Para isso, são utilizadas as funções group_by() para agrupar os dados por intervalo de idade e preferência de perna, e summarise() para efetuar a contagem. Os resultados são então armazenados na variável “pref_foot_counts”.

pref_foot_counts <- filtered_data %>% 
  group_by(intervalo_idade, pref_foot) %>% 
  summarise(count = n())
## `summarise()` has grouped output by 'intervalo_idade'. You can override using
## the `.groups` argument.

Abaixo é calculada a porcentagem de jogadores em cada grupo com base nas contagens previamente obtidas na variável “pref_foot_counts”. Os dados são agrupados por intervalo de idade utilizando a função group_by(), e então a porcentagem de jogadores em cada grupo é calculada dividindo o número de jogadores em cada intervalo pelo total e multiplicando por 100. Os resultados são armazenados na variável “pref_foot_counts”.

# Calculando a porcentagem de jogadores em cada grupo
pref_foot_counts <- pref_foot_counts %>% 
  group_by(intervalo_idade) %>% 
  mutate(percentage = (count / sum(count)) * 100)

Os 50 melhores jogadores são selecionados com base em duas condições: idade até 23 anos e a maior pontuação geral. O processo inclui filtrar o conjunto de dados para reter jogadores com idade até 23 anos, ordená-los pela pontuação geral em ordem decrescente e selecionar as primeiras 50 linhas. Em seguida, são selecionadas apenas as colunas “player_name”, “overall”, “age”, e “nationality”. Os resultados são armazenados na variável “top_jogadores”.

top_jogadores <- db %>%
  filter(age <= 23) %>%
  arrange(desc(overall)) %>%
  head(50) %>%
  select(player_name, overall, age, nationality)

O processo calcula a média de valor para cada plataforma (“ps4”, “xbox” e “pc”) para cada jogador no conjunto de dados. Os dados são inicialmente agrupados por nome do jogador e, em seguida, é calculada a média para cada plataforma. Os resultados são ordenados em ordem decrescente da soma das médias de valor para todas as plataformas, e as 10 primeiras entradas são selecionadas. O resultado final é armazenado na variável “resultados”.

#calculando a média de valor para cada plataforma
resultados <- db %>%
  group_by(player_name) %>%
  summarize(
    media_valor_ps4 = mean(price_ps4),
    media_valor_xbox = mean(price_xbox),
    media_valor_pc = mean(price_pc)
  ) %>%
  arrange(desc(media_valor_ps4 + media_valor_xbox + media_valor_pc)) %>%
  head(10)

No trecho abaixo, ocorre a filtragem dos dados na base de dados que retém jogadores com pontuação geral de 80 ou mais, excluindo algumas ligas específicas como “Icons”, “Primera División”, “LIGA Bancomer MX” e “Meiji Yasuda J1 League” por não possuírem elementos necessários para a análise. Em seguida, conta-se a quantidade de jogadores por liga, armazenando os resultados na variável “league_counts”.

filtered_data <- db %>%
  filter(overall >= 80 & !(league %in% c("Icons", "Primera División", "LIGA Bancomer MX", "Meiji Yasuda J1 League")))

# Contando a quantidade de jogadores por liga
league_counts <- filtered_data %>%
  group_by(league) %>%
  summarise(player_count = n())

Os jogadores brasileiros são filtrados do conjunto de dados, contando-se a quantidade por posição. Posteriormente, é calculada a porcentagem de jogadores em cada posição. Os resultados são armazenados na variável “position_counts”.

# Filtrando jogadores  brasileiros
brazilian_players <- db %>% filter(nationality == "Brazil")
position_counts <- brazilian_players %>% 
  group_by(position) %>% 
  summarise(count = n())

# Calculando a porcentagem de jogadores em cada posição
position_counts <- position_counts %>% 
  mutate(percentage = (count / sum(count)) * 100)

Abaixo, os jogadores brasileiros no conjunto de dados são filtrados e contados por clube. Os 10 clubes com maior número de jogadores brasileiros são selecionados e suas respectivas porcentagens são calculadas e armazenadas.

# Filtrando jogadores brasileiros
brazilian_players <- db %>% filter(nationality == "Brazil")

# Contando o número de jogadores em cada clube
club_counts <- brazilian_players %>% group_by(club) %>% summarise(count = n())

# Ordenando os clubes pelo número de jogadores brasileiros em ordem decrescente
club_counts <- club_counts %>% arrange(desc(count))

# Selecionando os 10 clubes com mais jogadores brasileiros
top_10_clubs <- head(club_counts, 10)

# Calculando a porcentagem de jogadores em cada clube
top_10_clubs <- top_10_clubs %>% mutate(percentage = (count / sum(count)) * 100)

Análise de Dados

Distribuição de Pontuação dos Jogadores

O histograma apresentado mostra a distribuição percentual da quantidade de jogadores em intervalos específicos de pontuação geral.

#Histograma da Pontuação Geral
hist(db$overall, col = blues9,xlab = "Pontuação Geral",
ylab = "Porcentagem", ylim = c(0,0.065) ,
  main = "Histograma de Pontuação Geral", probability = T)
densityPont<-density(db$overall)
lines(densityPont)

No contexto da análise dos resultados obtidos, observa-se uma distribuição característica das pontuações dos jogadores, indicando um panorama que merece atenção e análise aprofundada. A constatação primordial é que a maioria dos jogadores apresenta pontuações gerais situadas entre 60 e 70. Esse intervalo, que abarca a maioria dos participantes, sugere uma consistência nos desempenhos, porém também pode indicar uma falta de diversidade ou amplitude nas habilidades dos jogadores.

Distribuição Percentual das Faixas Etárias dos Jogadores

O gráfico de pizza abaixo exibe a distribuição percentual dos intervalos de idade dos jogadores presentes nas cartas do jogo.

pie_chart <- plot_ly(idade_counts, labels = ~intervalo_idade, values = ~percentage, type = 'pie', hole = 0.6)

pie_chart <- pie_chart %>% layout(title = "<b>Distribuição de Jogadores por Faixa Etária</b>",
                                   showlegend = TRUE,
                                   xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
                                   yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE))


pie_chart

A análise dos dados revela um padrão distintivo em relação à distribuição etária dos jogadores presentes dentro do jogo. Uma descoberta importante é a observação da pequena porcentagem de personagens com menos de 22 anos em comparação com as faixas etárias subsequentes. Essa disparidade indica uma predominância de jogadores na faixa etária mais avançada dentro do ambiente virtual do jogo, sugerindo possíveis implicações para a compreensão do perfil demográfico e das dinâmicas de participação no modo de jogo estudado.

Preferência de Perna dos Jogadores por Idade

O gráfico de barras abaixo exibe a distribuição percentual da preferência de perna entre jogadores com uma pontuação geral superior a 80 em intervalos de idade. Isso nos permite observar a discrepância entre jogadores destros e canhotos em diferentes faixas etárias.

bar_chart <- plot_ly(pref_foot_counts, x = ~intervalo_idade, y = ~percentage, 
                     color = ~pref_foot, colors = c("blue", "red"), type = 'bar')


bar_chart <- bar_chart %>% layout(title = "<b>Preferência de Perna entre Jogadores</b>",
                                  xaxis = list(title = "Intervalo de Idade"),
                                  yaxis = list(title = "Porcentagem"))


bar_chart

A análise dos dados revela um aspecto notável em relação à composição dos jogadores de futebol dentro do jogo em estudo. Uma questão significativa é a predominância de jogadores destros em comparação com os canhotos em todos os intervalos de idade considerados.

Principais jogadores Sub-23 avaliados por nacionalidade.

Abaixo está o gráfico que mostra os jogadores sub-23 mais bem avaliados por nota, considerando sua nacionalidade.

plot_ly(top_jogadores, labels = ~nationality, type = "pie", values = ~overall) %>%
  layout(title = "<b>Nacionalidade dos jogadores sub-23 mais bem avaliados</b>")

A análise dos dados revela uma tendência notável na distribuição dos melhores jovens talentos no jogo. Destaca-se a concentração significativa de jogadores promissores nos países Alemanha, França e Espanha. Isso sugere uma influência marcante dessas nações europeias na formação e desenvolvimento de jovens jogadores dentro do contexto do jogo.

Essa descoberta tem implicações importantes para a jogabilidade e estratégia dentro do jogo. Os jogadores virtuais, ao assumirem papéis de gestores de equipes, podem se beneficiar ao focar seus esforços de recrutamento e formação de jogadores jovens que possuem essas nacionalidades. Isso pode garantir uma base sólida de talentos para o sucesso de suas equipes no jogo.

Comparativo de preços por platafoma

A base de dados possui os preços das cartas em 3 plataformas diferentes, Playstation 4, PC e Xbox. Com o preço das cartas em cada plataforma na edição de 2018.

Dessa forma o gráfico abaixo mostra os 10 jogadores mais valiosos e suas respectivas médias de valor nas diferentes plataformas.

#Criando gráfico comparativo de preços entre as plataformas
plot_ly(resultados, x = ~player_name, type = "bar", name = "PS4", y = ~media_valor_ps4) %>%
  add_trace(y = ~media_valor_xbox, name = "Xbox") %>%
  add_trace(y = ~media_valor_pc, name = "PC") %>%
  layout(title = "<b>Comparação de Preços por Plataforma</b>",
         xaxis = list(title = "Jogadores"),
         yaxis = list(title = "Valor Médio"),
         barmode = "stack")

A análise dos dados apresentados no gráfico revela padrões distintos em relação aos preços dos jogadores nas diferentes plataformas de jogo. Destaca-se a oscilação dos preços em cada plataforma, com o PC liderando como a mais cara, seguida pelo PS4 e, por fim, o Xbox.

Essa tendência indica uma variação nos valores de mercado dos jogadores, influenciada pelas características específicas de cada plataforma, como a demanda dos jogadores, a disponibilidade de recursos e a competitividade do mercado virtual. Jogadores que desejam comprar ou vender jogadores devem considerar essas diferenças de preços ao planejar suas estratégias de negociação e investimento dentro do jogo.

É essencial investigar mais a fundo os fatores que contribuem para as diferenças de preços entre as plataformas, explorando possíveis influências como a base de usuários de cada plataforma, a integração com outros sistemas e as políticas de precificação adotadas pelos desenvolvedores do jogo. Essa compreensão mais detalhada pode orientar os jogadores na tomada de decisões financeiras mais informadas e na maximização de seus recursos dentro do ambiente virtual do jogo.

Distribuição dos Jogadores por Liga de Atuação

A base de dados do jogo inclui 14 ligas reais e 1 liga fictícia que foi excluída da análise dos dados apresentados. Adicionalmente, três outras ligas (Primera División, LIGA Bancomer MX e Meiji Yasuda J1 League) foram retiradas devido à ausência de jogadores dentro da faixa de pontuação requerida

O gráfico a seguir exibe a distribuição dos jogadores com nota 80 ou superior, categorizando-os de acordo com as ligas em que atuam.

pie_chart <- plot_ly(league_counts, labels = ~league, values = ~player_count, type = 'pie',
                     textposition = 'inside')

# Adicionando  um título ao gráfico
pie_chart <- pie_chart %>% layout(title = "<b>Distribuição de Jogadores com Overall >= 80 por Liga</b>")


pie_chart

Algo a ser observado é a predominância das ligas Premier League, La Liga, Calcio A e Bundesliga em relação aos jogadores mais bem pontuados, em comparação com outras ligas representadas no gráfico.

Essa observação indica a força e o destaque dessas ligas no cenário do jogo, sugerindo uma concentração de talentos de alto nível nessas competições. Jogadores que buscam reforçar suas equipes dentro do jogo podem considerar essas ligas como fontes privilegiadas de jogadores com alto desempenho, tendo em vista a alta avaliação dos jogadores representados por elas.

É importante investigar mais a fundo os fatores que contribuem para a predominância dessas ligas entre os jogadores mais bem pontuados, explorando possíveis influências como a qualidade das equipes, o investimento em jogadores de elite e a visibilidade das competições. Essa compreensão mais detalhada pode orientar os jogadores na formulação de estratégias mais eficazes para a montagem de seus times, levando em conta a distribuição de talentos e as dinâmicas do mercado do jogo.

Distribuição de jogadores brasileiros por posição

O gráfico abaixo mostra o percentual de brasileiros disponíveis no jogo que jogam nas posições possíveis.

pie_chart <- plot_ly(position_counts, labels = ~position, values = ~percentage, type = 'pie', hole = 0.6)


pie_chart <- pie_chart %>% layout(title = "<b>Porcentagem das posições dos Jogadores Brasileiros</b>",
                                   showlegend = TRUE,
                                   xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
                                   yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE))


pie_chart

A análise dos dados da base do jogo revela uma tendência notável em relação às preferências de posição dos jogadores brasileiros. Com base nisso, podemos constatar que as posições mais populares entre os jogadores brasileiros são Zagueiro Central (CB) e Atacante (ST).

É fundamental investigar mais a fundo os fatores que influenciam essa preferência dos jogadores brasileiros, explorando possíveis influências como a cultura futebolística do Brasil, a representação de jogadores famosos nessas posições e até mesmo considerações estratégicas e táticas dentro do jogo. Essa compreensão mais aprofundada pode orientar os desenvolvedores do jogo na criação de conteúdo e mecânicas que atendam às preferências dos jogadores brasileiros, contribuindo para uma experiência de jogo mais envolvente e autêntica para essa comunidade de jogadores.

Distribuição de jogadores brasileiros por competições

Abaixo temos um gráfico que representa os clubes que possuem os maiores percentuais de Brasileiros em seus times.

pie_chart <- plot_ly(top_10_clubs, labels = ~club, values = ~percentage, type = 'pie',
                     textinfo = 'label+percent', insidetextfont = list(color = '#FFFFFF'),
                     marker = list(colors = rainbow(length(top_10_clubs$club))))


pie_chart <- pie_chart %>% layout(title = "<b>Top 10 Clubes com Mais Jogadores Brasileiros</b>")


pie_chart

A análise dos dados evidencia uma tendência notável quanto à representação de jogadores brasileiros em certos clubes dentro da base de dados do jogo. Destaca-se que, entre os 10 clubes com uma presença expressiva de jogadores brasileiros, seis deles estão localizados em Portugal.

Essa observação destaca uma forte ligação entre o Brasil e Portugal no contexto do futebol , indicando uma concentração significativa de jogadores brasileiros em clubes portugueses representados no jogo. Essa conexão pode refletir tanto laços culturais e linguísticos entre os dois países como também questões relacionadas a políticas de transferências e recrutamento dentro do jogo.

É crucial investigar mais a fundo os fatores que contribuem para essa predominância de jogadores brasileiros em clubes portugueses na base de dados do jogo, explorando possíveis influências como a presença de agentes e intermediários no mercado virtual, estratégias de recrutamento dos clubes e até mesmo considerações econômicas e de desempenho esportivo.

Conclusão

A análise dos dados do “FIFA 18 Ultimate Team” revelou várias informações relevantes sobre a dinâmica e as características dos jogadores neste modo do jogo. Inicialmente, ao observar a distribuição percentual da pontuação geral dos jogadores, constatamos que a maioria possui uma pontuação situada em torno de 70, evidenciando uma escassez de jogadores com pontuações acima de 80.

Utilizando gráficos como o de pizza e de barras, identificamos que há uma pequena porcentagem de jogadores disponíveis com menos de 21 anos e que a preferência de perna entre jogadores com pontuação geral superior a 80 varia significativamente em diferentes faixas etárias.

Ao analisar a nacionalidade dos jogadores sub-23 mais bem avaliados, notamos que Alemanha, França e Espanha possuem boa parte dos melhores jovens talentos na base de dados do jogo.

Além disso, ao examinar a distribuição dos jogadores com nota 80 ou superior categorizados por ligas, pudemos observar a predominância da Premier League, La Liga, Calcio A e Bundesliga em relação aos jogadores mais bem pontuados, em comparação com outras ligas.

Outro ponto relevante foi a preferência de posição entre os jogadores brasileiros, destacando-se como zagueiros centrais e atacantes, o que pode ser útil para estratégias de formação de equipe.

Com base nos dados coletados na fase de análise, pode-se concluir que há uma significativa disparidade entre a presença de jogadores europeus e sul-americanos nas cartas em comparação com outros continentes. Além disso, observamos que o valor das cartas dos jogadores varia conforme a plataforma, não se limitando apenas à pontuação geral ou à raridade. Também é notável a grande discrepância no número de ligas presentes na Europa em comparação com outros continentes.

Para os potenciais interessados, como os desenvolvedores de jogos com a mesma temática e os jogadores, essas análises fornecem informações valiosas que podem ser utilizadas para aprimorar a experiência do usuário e para tomar decisões estratégicas dentro do jogo.

Apesar das considerações destacadas, é importante ressaltar algumas limitações da análise, como a exclusão de algumas ligas devido à ausência de jogadores dentro da faixa de pontuação requerida. Para melhorar essa análise, seria interessante considerar uma abordagem mais abrangente e aprofundada, bem como atualizar os dados para refletir as mudanças ao longo do tempo no jogo.

Em resumo, esta análise oferece uma visão abrangente e detalhada do cenário dos jogadores no modo Ultimate Team, fornecendo informações úteis para os interessados e indicando possíveis direções para futuras pesquisas e melhorias na experiência do jogo.