🎮 FC 26 (FIFA 26) Player Data Analysis

Projeto de análise de dados de jogadores do EA Sport's FC 26 para a disciplina de Tópicos Especiais em Programação.

📋 Descrição do Projeto

Este projeto realiza análises exploratórias e visualizações de dados sobre jogadores de futebol do FC 26, utilizando Python com paradigma de Orientação a Objetos (OOP), Pandas para ETL e Matplotlib para visualizações.

🎯 Objetivos

• Aplicar conceitos de Programação Orientada a Objetos
• Realizar processos de ETL (Extract, Transform, Load)
• Criar visualizações significativas de dados
• Implementar operações de agregação (group by)
• Desenvolver análises estatísticas sobre jogadores de futebol

📁 Estrutura do Projeto

fc26_analysis/
├── README.md                          # Este arquivo
├── dataset.txt                        # Referências do dataset
├── .gitignore                         # Arquivos ignorados pelo Git
│
├── src/                               # Código fonte (módulos Python)
│   ├── __init__.py                    # Inicializador do pacote
│   ├── data_loader.py                 # Classe para carregamento de dados
│   ├── data_transformer.py            # Classe para transformações
│   └── visualizer.py                  # Classe para visualizações
│
├── notebooks/                         # Notebooks Jupyter
│   ├── 01_ratings_por_posicao.ipynb   # Análise por posição
│   ├── 02_top_clubes.ipynb            # Top clubes
│   ├── 03_evolucao_idade.ipynb        # Evolução por idade
│   ├── 04_analise_ligas.ipynb         # Análise de ligas
│   └── 05_distribuicao_ratings.ipynb  # Distribuição de ratings
│
└── data/                              # Dados (não incluído no Git)
    └── fc26_players.csv               # Dataset principal

🛠️ Tecnologias Utilizadas

• Python 3.8+
• Pandas - Manipulação e análise de dados
• Matplotlib - Visualização de dados
• NumPy - Operações numéricas
• Jupyter Notebook - Ambiente de desenvolvimento

📊 Notebooks Desenvolvidos

1️⃣ Notebook 01 - Ratings por Posição

• Objetivo: Analisar a média de ratings por posição dos jogadores
• Group By: Posição
• Gráfico: Barras
• Insights: Identificar posições com melhores avaliações

2️⃣ Notebook 02 - Top Clubes

• Objetivo: Identificar os melhores clubes por rating médio
• Group By: Clube
• Gráfico: Pizza
• Insights: Distribuição de qualidade entre clubes de elite

3️⃣ Notebook 03 - Evolução por Idade

• Objetivo: Comparar overall vs potential por faixa etária
• Group By: Faixa etária
• Gráfico: Linha (2 séries)
• Insights: Curva de desenvolvimento dos jogadores

4️⃣ Notebook 04 - Análise de Ligas

• Objetivo: Comparar métricas ofensivas e defensivas por liga
• Group By: Liga
• Gráfico: Barras agrupadas (2 séries)
• Insights: Características táticas de cada liga

5️⃣ Notebook 05 - Distribuição de Ratings

• Objetivo: Analisar distribuição geral de ratings
• Gráfico: Histograma
• Insights: Padrão de distribuição da qualidade dos jogadores

🚀 Como Usar

Pré-requisitos

# Instalar dependências
pip install -r requirements.txt

Passo a Passo

1. Clone ou baixe o projeto

   cd fc26_analysis

2. Baixe o dataset do Kaggle

   • Acesse: [FC 26 Player Data no Kaggle]
   • Coloque o arquivo CSV na pasta data/

3. Execute os notebooks

   jupyter notebook

4. Abra os notebooks na pasta notebooks/

🎓 Conceitos de OOP Aplicados

Classes Principais

1. DataLoader (Singleton Pattern)

   • Responsabilidade única: Carregar dados
   • Garante uma única instância
   • Métodos: load_data(), get_data(), get_info()

2. DataTransformer

   • Responsabilidade única: Transformar dados
   • Method chaining para operações sequenciais
   • Métodos: group_by_aggregate(), clean_data(), filter_data()

3. DataVisualizer

   • Responsabilidade única: Criar visualizações
   • Encapsula lógica de plotagem
   • Métodos: plot_bar_chart(), plot_line_chart(), plot_pie_chart(), plot_histogram()

Princípios SOLID Aplicados

• ✅ Single Responsibility: Cada classe tem uma responsabilidade
• ✅ Open/Closed: Classes abertas para extensão, fechadas para modificação
• ✅ Encapsulation: Dados e métodos encapsulados

📈 Análises Realizadas

Operações de Group By (4 notebooks)

• Agrupamento por posição
• Agrupamento por clube
• Agrupamento por faixa etária
• Agrupamento por liga

Tipos de Gráficos (3 tipos)

• Gráfico de barras
• Gráfico de linhas
• Gráfico de pizza

Gráficos com 2 Séries (2 notebooks)

• Overall vs Potential
• Métricas ofensivas vs defensivas

Histograma (1 notebook)

• Distribuição de ratings

📝 Requisitos Atendidos

• ✅ 5 notebooks desenvolvidos
• ✅ 4 notebooks com group by
• ✅ 3 tipos de gráficos (linha, barra, pizza)
• ✅ 2 notebooks com 2 séries em Y
• ✅ 1 notebook com histograma
• ✅ Extração, Transformação e Carga (ETL)
• ✅ Visualizações com Matplotlib
• ✅ Explicações em Markdown
• ✅ Arquivo dataset.txt com referências
• ✅ .gitignore configurado
• ✅ Uso de Orientação a Objetos

👨‍💻 Autor

[Lucas Galvão Freitas]
Disciplina: Tópicos Especiais em Programação - ECOX14
Data: Outubro 2025

📄 Licença

Este projeto é para fins educacionais e de pesquisa.

🔗 Referências

• Dataset: [FC 26 Player Data - Kaggle]
• Fonte original: sofifa.com
• Pandas Documentation: https://pandas.pydata.org/
• Matplotlib Documentation: https://matplotlib.org/

---

Nota: Os dados são excluídos do repositório Git conforme especificado no .gitignore.