コンテキスト ------------- ほとんどの公開されているサッカーの統計データは、ゴール、シュート、ファウル、カードなどの集計データに限定されています。パフォーマンスを評価したり、予測モデルを構築したりする際に、このようなコンテキストのない単純な集計は誤解を招く可能性があります。例えば、長距離から10回のオンターゲットシュートを打ったチームは、ペナルティエリア内から同じ数のシュートを打ったクラブよりもゴールを決める確率が低いです。しかし、この単純なシュート数から導き出される指標は、2つのチームを同様に評価します。 サッカーの試合では、はるかに多くのイベントが発生します。それらのイベントが発生したコンテキストを考慮することは非常に重要で興味深いことです。このデータセットは、スポーツアナリティクス愛好家を長時間目を覚ましたままにするでしょう。なぜなら、問うことができる質問の数は膨大だからです。 内容 ------- このデータセットは、ウェブスクレイピングと異なるデータソースの統合という非常に骨の折れる作業の成果です。中心的な要素はテキストコメンタリーです。すべてのイベントは、正規表現を使用してテキストコメンタリーを逆エンジニアリングすることで導き出されました。これを使用して、11種類のイベント、およびそれらのイベントに関与する主要選手と二次選手、その他多くの統計データを導き出すことができました。もし私が何らかの有用な情報の抽出を見逃した場合、あなたがそれを行い、あなたの発見を共有することを歓迎します。このデータセットは、2011/2012シーズンから2016/2017シーズン（2017年1月25日現在）までの欧州最大の5つのサッカーリーグ（イングランド、スペイン、ドイツ、イタリア、フランス）の9,074試合の詳細なビューを提供し、合計941,009のイベントが含まれています。 これらのシーズン中に行われた試合の中には、詳細なデータを収集できなかったものもあります。全体として、これらのシーズン中に行われた試合の90％以上にイベントデータがあります。 このデータセットは3つのファイルに整理されています。 - **events.csv** は、各試合に関するイベントデータを含んでいます。テキストコメンタリーは、bbc.com、espn.com、onefootball.comからスクレイピングされました。 - **ginf.csv** - 各試合に関するメタデータと市場オッズを含んでいます。オッズはoddsportal.comから収集されました。 - **dictionary.txt** は、整数でコード化された各カテゴリ変数のテキスト説明を含む辞書が入っています。 過去の研究 ------------- 私はこのデータを以下の目的で使用しました。 - サッカーの試合結果に賭けるための予測モデルを作成する。 - これから行われる試合に関する可視化を行う。 - 期待ゴールモデルを構築し、選手を比較する。 インスピレーション ----------- スポーツ愛好家がこのデータセットを使って答えることができる面白い質問はたくさんあります。例えば： - シュートの価値は何ですか？または、シュートの位置、シューター、リーグ、アシスト方法、試合状況、コート上の選手数、時間などを考慮した場合、シュートがゴールになる確率はどれくらいですか？ - これは期待ゴール（xG）モデルとして知られています。 - チームはいつゴールを決めやすいですか？ - どのチームがリードを守るのが最も上手か、または最も下手か？ - どのチームや選手がセットプレーを最もうまく活用していますか？ - どのリーグでレフリーがカードを出す確率が最も高いですか？ - 選手が弱い足でシュートした場合と強い足でシュートした場合を比較するとどうなりますか？または、どの選手が両利きですか？ - 異なるプレースタイルを特定する（長距離からのシュートとペナルティエリア内からのシュート、クロスとパス、ヘディングの使用） - どのチームが特定のフランクで攻撃する傾向がありますか？ そして、他にもたくさん...