Objetivo

Explorar y generar tablas de distribución del conjunto de datas FIFA

Descripción

Explorar determinando tablas y visualización de datos del conjunto de datos FIFA. Los datos se encuentran en la dirección: https://www.kaggle.com/karangadiya/fifa19?select=data.csv

El conjunto de datos data.csv incluye los atributos de los jugadores de la última edición de FIFA 2019 como Edad, Nacionalidad, Total, Potencial, Club, Valor, Salario, Pie preferido, Reputación internacional, Pie débil, Movimientos de habilidad, Ritmo de trabajo, Posición, Número de camiseta, Unido, Prestado desde, Contrato válido hasta , Altura, Peso, LS, ST, RS, LW, LF, CF, RF, RW, LAM, CAM, RAM, LM, LCM, CM, RCM, RM, LWB, LDM, CDM, RDM, RWB, LB, LCB , CB, RCB, RB, Centros, Remate, Rumbo, Precisión, Pases cortos, Voleas, Regate, Curva, FK Precisión, Pases largos, Control de balón, Aceleración, Sprint Velocidad, Agilidad, Reacciones, Equilibrio, Potencia de disparo, Salto, Resistencia, Fuerza, Tiros lejanos, Agresión , Intercepciones, Posicionamiento, Visión, Penalizaciones, Serenidad, Marcaje, Entrada de pie, Entrada deslizante, GKDiving, GKHandling, GKKicking, GKPositioning, GKReflexes y Cláusula de liberación.

Proceso

1. Cargar librerías

  • readr
  • dplyr
  • lubridate
  • fdth
  • ggplot2
  • fdth
library(readr)
library(dplyr)
library(lubridate)
library(fdth)
library(ggplot2)
library(fdth)

2. Cargar los datos de FIFA

datos.FIFA <- read.csv("../datos/data FIFA.csv/data.csv", encoding = "UTF-8")
  • Visualizar los primeros diez y últimos diez registros
  • Algunos atributos visibles con [identificando el atributo por posición]
# head(datos.FIFA, 10)
head(datos.FIFA[,c(3,4,6,8,9,10,12,13,14,15,27,28)], 10)
##                 Name Age Nationality Overall Potential                Club
## 1           L. Messi  31   Argentina      94        94        FC Barcelona
## 2  Cristiano Ronaldo  33    Portugal      94        94            Juventus
## 3          Neymar Jr  26      Brazil      92        93 Paris Saint-Germain
## 4             De Gea  27       Spain      91        93   Manchester United
## 5       K. De Bruyne  27     Belgium      91        92     Manchester City
## 6          E. Hazard  27     Belgium      91        91             Chelsea
## 7          L. Modric  32     Croatia      91        91         Real Madrid
## 8          L. Suárez  31     Uruguay      91        91        FC Barcelona
## 9       Sergio Ramos  32       Spain      91        91         Real Madrid
## 10          J. Oblak  25    Slovenia      90        93     Atlético Madrid
##      Value  Wage Special Preferred.Foot Height Weight
## 1  \200110.5M \200565K    2202           Left    5'7 159lbs
## 2     \20077M \200405K    2228          Right    6'2 183lbs
## 3  \200118.5M \200290K    2143          Right    5'9 150lbs
## 4     \20072M \200260K    1471          Right    6'4 168lbs
## 5    \200102M \200355K    2281          Right   5'11 154lbs
## 6     \20093M \200340K    2142          Right    5'8 163lbs
## 7     \20067M \200420K    2280          Right    5'8 146lbs
## 8     \20080M \200455K    2346          Right    6'0 190lbs
## 9     \20051M \200380K    2201          Right    6'0 181lbs
## 10    \20068M  \20094K    1331          Right    6'2 192lbs
tail(datos.FIFA[,c(3,4,6,8,9,10,12,13,14,15,27,28)], 10)
##                     Name Age         Nationality Overall Potential
## 18198         D. Holland  18 Republic of Ireland      47        61
## 18199         J. Livesey  18             England      47        70
## 18200       M. Baldisimo  18              Canada      47        69
## 18201           J. Young  18            Scotland      47        62
## 18202           D. Walsh  18 Republic of Ireland      47        68
## 18203       J. Lundstram  19             England      47        65
## 18204 N. Christoffersson  19              Sweden      47        63
## 18205          B. Worman  16             England      47        67
## 18206     D. Walker-Rice  17             England      47        66
## 18207          G. Nugent  16             England      46        66
##                         Club Value Wage Special Preferred.Foot Height Weight
## 18198              Cork City  \20060K  \2001K    1362          Right   5'10 141lbs
## 18199          Burton Albion  \20060K  \2001K     792          Right   5'11 154lbs
## 18200 Vancouver Whitecaps FC  \20070K  \2001K    1303          Right    5'6 150lbs
## 18201           Swindon Town  \20060K  \2001K    1203           Left    5'9 157lbs
## 18202           Waterford FC  \20060K  \2001K    1098           Left    6'1 168lbs
## 18203        Crewe Alexandra  \20060K  \2001K    1307          Right    5'9 134lbs
## 18204         Trelleborgs FF  \20060K  \2001K    1098          Right    6'3 170lbs
## 18205       Cambridge United  \20060K  \2001K    1189          Right    5'8 148lbs
## 18206        Tranmere Rovers  \20060K  \2001K    1228          Right   5'10 154lbs
## 18207        Tranmere Rovers  \20060K  \2001K    1321          Right   5'10 176lbs

3. Limpiar los datos

  • Un proceso de limpieza de datos no sólo es encontrar basura como NA o valores vacíos null y saber que hacer con ellos, en muchos casos se requiere transformar variables, eliminar datos y agregar variables para dejar listos para realiar análisis de datos posteriores.

  • Agregar Pais de club dependiendo del pais de donse sea el club. PENDIENTE

  • Agregar Region de club: [“AFRICA”,“ASIA”,“OCEANIA”, “CONCACAF”, “EUROPA”,“SUDAMERICA”] PENDIENTE

  • Agregar variable estatura en metros numérica de Heigth

  • Agregar variable peso en kgs numérica de la variable Weight

  • Generar un conjunto de datos mas manipulable para resolver el análisis del CASO.

  • Cargar las funciones requeridas

source("../funciones/misfunciones.r")
#source("github.com/rpizarrog/carpeta/funciones/misfunciones.r")
  • Crear nuevo atributo llamado Estatura para cada jugador
  • Crear otro nuevo atributo llamado Pesokgs para cada jugador
datos.FIFA <- mutate(datos.FIFA, Estatura = festatura(Height), Pesokgs = flbskgs(Weight))

# datos.FIFA
  • Generar un conjunto de datos MÁS manipulable sólo con los atributos:
  • Name, Age, Nationality, Overall, Potential, Club, Value, Preferred.Foot, Position, Height, Weight, Estatura, Peso
datos.FIFA.reduc <- select(datos.FIFA, Name, Age, Nationality, Overall, Potential, Club, Value, Preferred.Foot, Position, Height, Weight, Estatura, Pesokgs)

head(datos.FIFA.reduc)
##                Name Age Nationality Overall Potential                Club
## 1          L. Messi  31   Argentina      94        94        FC Barcelona
## 2 Cristiano Ronaldo  33    Portugal      94        94            Juventus
## 3         Neymar Jr  26      Brazil      92        93 Paris Saint-Germain
## 4            De Gea  27       Spain      91        93   Manchester United
## 5      K. De Bruyne  27     Belgium      91        92     Manchester City
## 6         E. Hazard  27     Belgium      91        91             Chelsea
##     Value Preferred.Foot Position Height Weight Estatura Pesokgs
## 1 \200110.5M           Left       RF    5'7 159lbs     1.70   72.12
## 2    \20077M          Right       ST    6'2 183lbs     1.88   83.01
## 3 \200118.5M          Right       LW    5'9 150lbs     1.75   68.04
## 4    \20072M          Right       GK    6'4 168lbs     1.93   76.20
## 5   \200102M          Right      RCM   5'11 154lbs     1.80   69.85
## 6    \20093M          Right       LF    5'8 163lbs     1.73   73.94

4. Explorar los datos

    1. Cuántos registros
    1. Cuántas variables
paste("Cantidad de registros", nrow(datos.FIFA.reduc))
## [1] "Cantidad de registros 18207"
paste("Cantidad de variables", ncol(datos.FIFA.reduc))
## [1] "Cantidad de variables 13"
    1. Tipos de variables
str(datos.FIFA.reduc)
## 'data.frame':    18207 obs. of  13 variables:
##  $ Name          : chr  "L. Messi" "Cristiano Ronaldo" "Neymar Jr" "De Gea" ...
##  $ Age           : int  31 33 26 27 27 27 32 31 32 25 ...
##  $ Nationality   : chr  "Argentina" "Portugal" "Brazil" "Spain" ...
##  $ Overall       : int  94 94 92 91 91 91 91 91 91 90 ...
##  $ Potential     : int  94 94 93 93 92 91 91 91 91 93 ...
##  $ Club          : chr  "FC Barcelona" "Juventus" "Paris Saint-Germain" "Manchester United" ...
##  $ Value         : chr  "\200110.5M" "\20077M" "\200118.5M" "\20072M" ...
##  $ Preferred.Foot: chr  "Left" "Right" "Right" "Right" ...
##  $ Position      : chr  "RF" "ST" "LW" "GK" ...
##  $ Height        : chr  "5'7" "6'2" "5'9" "6'4" ...
##  $ Weight        : chr  "159lbs" "183lbs" "150lbs" "168lbs" ...
##  $ Estatura      : num  1.7 1.88 1.75 1.93 1.8 1.73 1.73 1.83 1.83 1.88 ...
##  $ Pesokgs       : num  72.1 83 68 76.2 69.8 ...
5 Analizar datos. TAREA DE RESOLVER
5.1. Frecuencia o CANTIDAD de jugadores por país. Elaborar un diagrama de barras por país y la cantidad de jugadores por país para determinar que países tiene MÁS Y MENOS JUGADORES. Interpretación que países tienen MAS Y MENOS jugadores registrados y su relación con el poderío futbolístico que tienen.
  • Con la función group_by() y summarise() para identificar cuántos jugadores por pais
nacion <- datos.FIFA.reduc %>%
  group_by (Nationality) %>%
  summarise(n = n())
  • Se ordena de mayor a menor con la variable n del conjunto de datos generado para identificar cual pais tiene MÁS Y MENOS jugadores de este conJunto de datos
  • Se muestran los primeros diez y últimos diez países con MÁS Y MENOS jugadores
nacion <- arrange(nacion, desc(n))
head(nacion, 10)
## # A tibble: 10 x 2
##    Nationality     n
##    <chr>       <int>
##  1 England      1662
##  2 Germany      1198
##  3 Spain        1072
##  4 Argentina     937
##  5 France        914
##  6 Brazil        827
##  7 Italy         702
##  8 Colombia      618
##  9 Japan         478
## 10 Netherlands   453
tail(nacion, 10)
## # A tibble: 10 x 2
##    Nationality              n
##    <chr>                <int>
##  1 New Caledonia            1
##  2 Oman                     1
##  3 Palestine                1
##  4 Puerto Rico              1
##  5 Qatar                    1
##  6 Rwanda                   1
##  7 São Tomé & Príncipe      1
##  8 South Sudan              1
##  9 St Lucia                 1
## 10 United Arab Emirates     1
  • Elaborar un diagrama de barras por país y la cantidad de jugadores por país para determinar que países tienen MÁS Y MENOS JUGADORES.
  • Diagrama de barras de los países que tienen MÁS jugadores registrados
  • Usando la función ggplot
  • Top ten que significa los primeros y últimos 10 con head() y con tail()
ggplot(data = head(nacion, 10), aes(x = Nationality, y = n))  +
  geom_bar(stat = "identity")

  • Diagrama de columnas de los paises que tienen MENOS jugadores registrados
  • Usando la función ggplot
ggplot(data = tail(nacion, 10), aes(x = Nationality, y = n))  +
  geom_bar(stat = "identity")

  • En este conjunto de datos, se identifican países que sólo tienen un jugador registrado, para algunos análisis ese número de jugadores no es representativo.

  • Interpretación: ¿Qué países tienen MÁS Y MENOS jugadores registrados y su relación con el poderío futbolístico que tienen?

5.2. EDAD. ¿Cuál es la edad (media y mediana) por nacionalidad? y ¿cuál es la edad (media y mediana) promedio por club. Diagrama de caja de la variable edad en función de la nacionalidad únicamente con el top ten de los que tengan un número de jugadores igual o por encima de la media del número de jugadores. (los 10 MÁS altos conforme a la media y los 10 MÁS bajos). Interpretación países clubs tienen los jugadores más jóvenes y menos jóvenes.
  • La media de age por nacionalidad
  • Utilizar group_y y summarize de la librería dplyr
  • Solo mostrar los primeros y últimos diez conforme la media
age.nacion <- datos.FIFA.reduc %>%
  group_by (Nationality) %>%
  summarise(n = n(), media = round(mean(Age),2), mediana = round(median(Age),2))
  • Se ordena el conjunto de datos con la función arrange()
  • el ordenamiento es ascendentende por el atributo media
  • Solo se muestran los primeros y últimos diez registros
age.nacion <- arrange(age.nacion, media)
head(age.nacion, 10)
## # A tibble: 10 x 4
##    Nationality            n media mediana
##    <chr>              <int> <dbl>   <dbl>
##  1 Indonesia              1  17      17  
##  2 Botswana               1  20      20  
##  3 Rwanda                 1  21      21  
##  4 Tanzania               3  22      22  
##  5 Zambia                 9  22.2    21  
##  6 Afghanistan            4  22.5    22  
##  7 Chad                   2  22.5    22.5
##  8 Antigua & Barbuda      4  22.8    22  
##  9 Dominican Republic     2  23      23  
## 10 Jordan                 1  23      23
tail(age.nacion, 10)
## # A tibble: 10 x 4
##    Nationality             n media mediana
##    <chr>               <int> <dbl>   <dbl>
##  1 Fiji                    1  30      30  
##  2 Guam                    1  30      30  
##  3 New Caledonia           1  30      30  
##  4 Kuwait                  1  31      31  
##  5 Palestine               1  31      31  
##  6 São Tomé & Príncipe     1  31      31  
##  7 Trinidad & Tobago       4  31.8    28.5
##  8 Ethiopia                1  32      32  
##  9 Puerto Rico             1  34      34  
## 10 Oman                    1  36      36
  • Con respecto a lo que muestra la media de la edad de los jugadores por país, hay países con un sólo jugador, de tal forma que no es representativo.
  • Se suele tomar un criterio, por ejemplo, los que países que tengan el número de jugadores IGUAL O por ENCIMA del valor de la media o de la mediana con respecto a la varriable edad ‘Age’.
  • Se toma la mean = media como medida de comparación
la.media<- round(mean(age.nacion$n),0)
la.media
## [1] 111
  • Son 111 el promedio de jugadores por país en este conjunto de datos.
  • Ahora sobre ese valor determinar los PAÍSES que tiene un número de jugadores tal que estén por ENCIMA o IGUAL a él.
age.nacion.mean.n <- filter(age.nacion, n >= mean(age.nacion$n)) # Se puede utilizar la variable la.media

age.nacion.mean.n <- arrange(age.nacion.mean.n, media)
head(age.nacion.mean.n, 10)
## # A tibble: 10 x 4
##    Nationality     n media mediana
##    <chr>       <int> <dbl>   <dbl>
##  1 Nigeria       121  23.1      22
##  2 Ghana         114  23.7      23
##  3 Netherlands   453  24        24
##  4 England      1662  24.0      23
##  5 Norway        341  24.0      24
##  6 Denmark       336  24.2      24
##  7 Mexico        366  24.3      23
##  8 Belgium       260  24.3      23
##  9 Germany      1198  24.3      24
## 10 Australia     236  24.4      24
tail(age.nacion.mean.n, 10)
## # A tibble: 10 x 4
##    Nationality        n media mediana
##    <chr>          <int> <dbl>   <dbl>
##  1 Senegal          130  25.4    25.5
##  2 Serbia           126  25.6    26  
##  3 Portugal         322  25.8    25  
##  4 Italy            702  25.9    26  
##  5 China PR         392  26.1    26  
##  6 Japan            478  26.2    26  
##  7 Argentina        937  26.2    26  
##  8 Korea Republic   335  26.4    26  
##  9 Uruguay          149  26.6    26  
## 10 Brazil           827  27.6    27
  • Diagrama de caja de la variable mean(edad) en función de la nacionalidad
  • Más Jóvenes
ggplot(data = head(age.nacion.mean.n, 10), aes(Nationality, media)) +
  geom_boxplot()

  • Menos Jóvenes
ggplot(data = tail(age.nacion.mean.n, 10), aes(Nationality, media)) +
  geom_boxplot()

  • O con todos los datos del conjunto de datos reducido
ggplot(data = datos.FIFA.reduc, aes(x = Nationality, y = Age)) +
  geom_boxplot()

  • Unicamente con el top 10 conforme a la media de edad
paises.top <- head(age.nacion.mean.n$Nationality, 10)
paises.top
##  [1] "Nigeria"     "Ghana"       "Netherlands" "England"     "Norway"     
##  [6] "Denmark"     "Mexico"      "Belgium"     "Germany"     "Australia"
datos.FIFA.paises.top.mean.n <- filter(datos.FIFA, Nationality %in% paises.top)

head(datos.FIFA.paises.top.mean.n[,c(3,4,6)])
##            Name Age Nationality
## 1  K. De Bruyne  27     Belgium
## 2     E. Hazard  27     Belgium
## 3      T. Kroos  28     Germany
## 4       H. Kane  24     England
## 5 M. ter Stegen  26     Germany
## 6   T. Courtois  26     Belgium
ggplot(data = datos.FIFA.paises.top.mean.n, aes(x = Nationality, y = Age)) +
  geom_boxplot()

  • Interpretación: ¿Cuáles países tienen los jugadores más jóvenes y menos jóvenes?
5.3. NACIONALIDAD-CLUB. Del campo nacionalidad (va cambiar a country) la frecuencia de equipos por país. Diagrama de barra del top 10. Interpretación qué país tiene más y menos equipos registrados. No existe una relación entre la Nacionalidad y el Club dado que es posible que tenga una nacionalidad y el club no es de ese país.
  • Dada la necesidad del análisis de los datos, se requiere un atributo nuevo que identifique el País en donde juega el equipo. * Es parte de un proceso de Limpieza de los datos
  • Utilizar un merge entre los datos datos.FIFA.reduc y clubs.nation, este último se cargó al mandar llamar las funciones.r
  • Aparecen algunos registros con valores vacío porque no están todos los datos en la tabla clubs.nation
datos.FIFA.reduc.merge <- merge(x = datos.FIFA.reduc, y=clubs.nation, 
      by.x = 'Club', by.y = 'club')
 
# tail(datos.FIFA.reduc.merge)
  • Ver ordenados por el atributo de country para identificar clubs por pais
head(arrange(datos.FIFA.reduc.merge, desc(country)), 10)
##              Club              Name Age         Nationality Overall Potential
## 1  Atlanta United        M. Ambrose  24       United States      63        67
## 2  Atlanta United          L. Kunga  19       United States      57        73
## 3  Atlanta United         C. McCann  30 Republic of Ireland      66        66
## 4  Atlanta United        F. Escobar  23           Argentina      67        74
## 5  Atlanta United A. Wheeler-Omiunu  23       United States      58        64
## 6  Atlanta United          K. Kratz  31             Germany      67        67
## 7  Atlanta United         E. Remedi  23           Argentina      71        79
## 8  Atlanta United    J. Larentowicz  34       United States      68        68
## 9  Atlanta United      J. Hernández  21           Venezuela      62        71
## 10 Atlanta United       M. Robinson  21       United States      61        72
##    Value Preferred.Foot Position Height Weight Estatura Pesokgs country
## 1  \200400K           Left       LB    5'9 165lbs     1.75   74.84     USA
## 2  \200220K           Left       LM    5'8 150lbs     1.73   68.04     USA
## 3  \200475K           Left       LB    6'1 165lbs     1.85   74.84     USA
## 4  \200900K          Right       RB    6'0 165lbs     1.83   74.84     USA
## 5  \200170K          Right       CM    5'9 174lbs     1.75   78.93     USA
## 6  \200675K          Right      CAM    5'8 159lbs     1.73   72.12     USA
## 7    \2003M          Right      LDM    5'7 159lbs     1.70   72.12     USA
## 8  \200270K          Right      CDM    6'1 174lbs     1.85   78.93     USA
## 9  \200400K           Left       LB    5'7 157lbs     1.70   71.21     USA
## 10 \200375K          Right       CB    6'2 185lbs     1.88   83.91     USA
##    confederaion     continent
## 1      CONMEBOL SOUTH AMERICA
## 2      CONMEBOL SOUTH AMERICA
## 3      CONMEBOL SOUTH AMERICA
## 4      CONMEBOL SOUTH AMERICA
## 5      CONMEBOL SOUTH AMERICA
## 6      CONMEBOL SOUTH AMERICA
## 7      CONMEBOL SOUTH AMERICA
## 8      CONMEBOL SOUTH AMERICA
## 9      CONMEBOL SOUTH AMERICA
## 10     CONMEBOL SOUTH AMERICA
  • Generar un conjunto de datos unicamente de los Club y coubtry o pais
  • Qutar duplicados
datos.FIFA.only.club.coutry <- select(datos.FIFA.reduc.merge, Club, country)
datos.FIFA.only.club.coutry <- distinct(datos.FIFA.only.club.coutry)
head(datos.FIFA.only.club.coutry)
##                    Club country
## 1                              
## 2   SSV Jahn Regensburg        
## 3 1. FC Heidenheim 1846        
## 4  1. FC Kaiserslautern        
## 5            1. FC Köln Germany
## 6       1. FC Magdeburg Germany
  • Generar una tabla de frecuencias por pais seleccionando de la tabla resultante generada por data.frame(fdt_cat()) solo los campos Category y f
  • Cambiar los nombres de los atributos de la tabla
  • Quitar (depurar) el primer registro o de Country vacío
  • Mostrar la tabla
tabla <- data.frame(fdt_cat(datos.FIFA.only.club.coutry$country)) %>%
  select (Category,f)

names(tabla) <- c("Country", "Equipos")

#tabla

tabla <- tabla[-1,] # Quita el primer registros que son los valores vacios
#o se puede hacer con 

tabla <- filter(tabla, !Country == "")

head(tabla , 10)
##      Country Equipos
## 1    England      48
## 2      Spain      28
## 3        USA      24
## 4      Italy      23
## 5    Germany      22
## 6     México      18
## 7     France      15
## 8  Argentina      12
## 9      China      10
## 10    Brazil       9
tail(tabla , 10)
##        Country Equipos
## 23 South Corea       3
## 24      Turkey       3
## 25     Austria       2
## 26      Canada       2
## 27    Scotland       2
## 28     Ucrania       2
## 29   Australia       1
## 30       Corea       1
## 31     Denmark       1
## 32     Uruguay       1
  • Diagram de Barra de los países que tienen MÁS Y MENOS equipos
  • head(tabla,10). Los 10 primeros
  • tail(tabla,10). Los 10 últimos
ggplot(data = head(tabla,10), aes(Country, Equipos)) +
    geom_col() 

ggplot(data = tail(tabla,10), aes(Country, Equipos)) +
    geom_col()

  • Interpretación: ¿Qué país tiene más y menos equipos registrados?

5.4. CLUB, ¿cuántos jugadores por club?. Diagrama de barra top 10

jug.por.club <- datos.FIFA.reduc.merge %>%
  group_by (Club) %>%
  summarise(n = n())
## `summarise()` ungrouping output (override with `.groups` argument)
jug.por.club
## # A tibble: 638 x 2
##    Club                        n
##    <chr>                   <int>
##  1 ""                        241
##  2 " SSV Jahn Regensburg"     29
##  3 "1. FC Heidenheim 1846"    28
##  4 "1. FC Kaiserslautern"     26
##  5 "1. FC Köln"               28
##  6 "1. FC Magdeburg"          26
##  7 "1. FC Nürnberg"           29
##  8 "1. FC Union Berlin"       28
##  9 "1. FSV Mainz 05"          32
## 10 "Aalborg BK"               27
## # ... with 628 more rows
jug.por.club.top.ten <-head(arrange(jug.por.club, desc(n)),10)
jug.por.club.top.ten
## # A tibble: 10 x 2
##    Club                      n
##    <chr>                 <int>
##  1 ""                      241
##  2 "Arsenal"                33
##  3 "AS Monaco"              33
##  4 "Atlético Madrid"        33
##  5 "Borussia Dortmund"      33
##  6 "Burnley"                33
##  7 "Cardiff City"           33
##  8 "CD Leganés"             33
##  9 "Chelsea"                33
## 10 "Eintracht Frankfurt"    33
jug.por.club.bot.ten <- tail(arrange(jug.por.club, desc(n)),10)
jug.por.club.bot.ten
## # A tibble: 10 x 2
##    Club                     n
##    <chr>                <int>
##  1 Grêmio                  20
##  2 Internacional           20
##  3 Paraná                  20
##  4 Santos                  20
##  5 Sport Club do Recife    20
##  6 Tromsø IL               20
##  7 Vitória                 20
##  8 Limerick FC             19
##  9 Sligo Rovers            19
## 10 Derry City              18

5.5. VALUE. ¿Cual es el valor medio del precio de los jugadores que juegan en América del Sur en Norteamérica y en Europa. Tal vez sea necesario un nuevo atributo llamado continente o zona.

datos.FIFA.reduc.merge.AS <- filter(datos.FIFA.reduc.merge, continent == 'SOUTH AMERICA')

mean(datos.FIFA.reduc.merge.AS$Value)
## Warning in mean.default(datos.FIFA.reduc.merge.AS$Value): argument is not
## numeric or logical: returning NA
## [1] NA
# Limpiar el atributo haciendo un casting