Paises com mais jogadores

Vamos agrupar por nacionalidade para encontrarmos quais são os paises que mais tem jogadores

top_countries <- fifa_reduzido %>%
  group_by(Nationality)%>%
  summarise(player_count= n()) %>%
  arrange(desc(player_count))%>%
  slice_head(n=10)
plot_ly(
  top_countries, 
  labels = ~Nationality, 
  values = ~player_count, 
  type = 'pie'
) %>%
  layout(
    title = "Top 10 Países com Mais Jogadores",
    xaxis = list(showgrid = FALSE, zeroline = FALSE),
    yaxis = list(showgrid = FALSE, zeroline = FALSE),
    margin=list(t=100)
  )

Paises com melhores jogadores

Vamos pegar a média do Overall do dataset. Após isso, vamos filtrar um dataset que contenha apenas jogadores a cima da média e com isso vamos ranquear os países que tem, em média, os jogadores com mais destaques.

Esses sao os paises com o maior numero de jogadores a cima da média

media_overall <- mean(fifa_reduzido$Overall)

jogadores_acima_media <- fifa_reduzido %>%
  filter(Overall>media_overall)

top_paises_acima_media <-jogadores_acima_media%>%
  group_by(Nationality)%>%
  summarise(qtd_jogadores = n()) %>%
  arrange(desc(qtd_jogadores))%>%
  slice_head(n=10)

media_por_pais <- jogadores_acima_media %>%
  filter(Nationality %in% top_paises_acima_media$Nationality) %>%
  group_by(Nationality) %>%
  summarise(qtd_jogadores_acima = n(),media_overall_acima = mean(Overall, na.rm = TRUE)) %>%
  arrange(desc(media_overall_acima))
plot_ly(media_por_pais %>% arrange(media_overall_acima), x = ~Nationality,y = ~media_overall_acima, type = 'bar', 
  text = ~round(media_overall_acima, 2),   textposition = 'outside',textfont=list(size=10),color = ~Nationality
) %>%
  layout(title = "Média de Overall Acima da Média por País",titlefont=list(size=20),xaxis = list(title = "País", showgrid = FALSE),
    yaxis = list(title = "Média de Overall",showgrid = TRUE,range = c(65, 74)), margin=list(t=100))

Jogadores que jogam multiplas posicoes

Aqui é criada uma tabela com todos os jogadores que performam em mais de uma posição

jogadores_varias_posicoes <- fifa_reduzido %>%
  filter(sapply(strsplit(Positions.Played, ","), length) > 1)

datatable(jogadores_varias_posicoes)

Número de posições jogadas por jogador

Também é feito um gráfico para melhor entender o quão comum é um jogador ter mais de uma posição de ofício

jogadores_num_posicoes <- fifa_reduzido %>%
  mutate(num_posicoes = sapply(strsplit(Positions.Played, ","), length)) %>%
  group_by(num_posicoes) %>%
  summarise(qtd_jogadores = n())

plot_ly(
  jogadores_num_posicoes, 
  labels = ~num_posicoes,
  values = ~qtd_jogadores,
  type = 'pie',
  textinfo = 'label+percent',
  hole = 0.4
) %>%
  layout(
    title = "Distribuição de Jogadores por Número de Posições Jogadas",
    showlegend = TRUE,
    margin=list(t=100)
  )

Criando a nova métrica

Agora iremos criar uma nova métrica que nos auxiliará a escolher um jogador com potencial de estrelato no futuro

fifa_auxiliar <- fifa_reduzido %>%
  filter(Value.in.Euro. > 0) %>%
  filter(Potential>80)

# Passo 2: Calcular o ratio custo-benefício no dataset auxiliar
fifa_auxiliar <- fifa_auxiliar %>%
  mutate(ratio_custo_beneficio = Potential / Value.in.Euro.)

# Passo 3: Normalizar o ratio usando a normalização min-max no dataset auxiliar
# Evitar divisão por zero e valores NA
min_ratio <- min(fifa_auxiliar$ratio_custo_beneficio, na.rm = TRUE)
max_ratio <- max(fifa_auxiliar$ratio_custo_beneficio, na.rm = TRUE)

fifa_auxiliar <- fifa_auxiliar %>%
  mutate(ratio_normalizado = (ratio_custo_beneficio - min_ratio) / 
                               (max_ratio - min_ratio))

# Passo 4: Ordenar os jogadores com o melhor custo-benefício no dataset auxiliar
jogadores_bom_custo_beneficio_auxiliar <- fifa_auxiliar %>%
  arrange(desc(ratio_normalizado))

# Passo 5: Exibir as primeiras linhas do dataset auxiliar com o ratio normalizado
datatable(jogadores_bom_custo_beneficio_auxiliar %>% select(Known.As,Nationality,Positions.Played, Value.in.Euro., Potential, ratio_custo_beneficio, ratio_normalizado))

Analisando Custo Benefício por Posição

Após a criação dessa métrica, é feita uma análise para entendermos quais são as posições mais custo benefício e quais são as mais caras

fifa_auxiliar <- fifa_auxiliar %>%
  mutate(Primeira_Posicao = sapply(strsplit(as.character(Positions.Played), ","), `[`, 1))

custo_beneficio_por_posicao <- fifa_auxiliar %>%
  group_by(Primeira_Posicao) %>%
  summarise(media_custo_beneficio = mean(ratio_normalizado, na.rm = TRUE)) %>%
  arrange(desc(media_custo_beneficio))

plot_ly(
  custo_beneficio_por_posicao %>% arrange(media_custo_beneficio), 
  x = ~Primeira_Posicao, 
  y = ~media_custo_beneficio, 
  type = 'bar', 
  text = ~round(media_custo_beneficio, 2),   # Exibir os valores como texto
  textposition = 'outside',                  # Posicionar o texto fora da barra
  textfont = list(size = 10),                # Tamanho da fonte do texto
  color = ~Primeira_Posicao               # Diferentes cores para as posições
)%>%
  layout(
    title = "Custo beneficio medio por posicao",
    showlegend = TRUE,
    margin=list(t=100)
  )