Entonces, una vez que ya tenemos los gamei_ids de los pártidos, vamos a ver qué sacar de estos ids y cómo hacerlo.

Empezamos donde lo dejamos, actualizando nuestro calendario. Ahora es más fácil porque ya está todo el pescado vendido, no hay más carne que cortar; ya no se juegan más partidos hasta el año que viene. Spoiler: ganó Michigan.

library(tidyverse)
library(rvest)


  "https://www.espn.com/mens-college-basketball/team/schedule/_/id/130/michigan-wolverines" %>% 
  read_html() %>%
  html_elements("[data-testid='link'] a") %>%
  html_attr("href") %>%
  str_extract(.,"[0-9]+") %>% 
  tibble(game_id = .) %>% 
  write.csv("../aday_mara/csv/game_id.csv", row.names = FALSE
            )

Entonces puedes seguir el código debajo de este o hacer otro script leyendo el csv desde la ubicación donde guardamos los datos. Esto es lo que voy a hacer. Me gusta una carpeta por proyecto donde guardo los scripts, luego otra carpeta para los csvs y otra para los pngs.

Para mí es útil guardar los csvs porque algunos datos tardan unos minutos en descargarse y eso cada vez es un poco pesado. Como se puede ver en la raíz de mi proyecto, el primer script es el que se llama calendario_michigan y ahora vamos a abrir el script aday, que es donde vamos a montar las funciones para scrapear los play by play.

library(tidyverse)
library(hoopR)

game_id <- read_csv("../aday_mara/csv/game_id.csv") %>%
  pull(game_id)

Empezamos cargando las dos librerías que necesitamos y creamos la variable game_id

Utilizo la función pull() para extraer una sola columna de un data frame y convertirla directamente en un vector.

Suscríbete ahora

Para empezar, fijémonos en una ley universal inmutable; lo micro es igual a lo macro. Usaremos un game_id para luego aplicarlo a todos los demás.

pbp <- hoopR::espn_mbb_pbp(401856572)

rosters <- hoopR::espn_mbb_player_box(401856572)

Hemos elegido el game_id 401856572 y usaremos de la librería hoopR la función espn_mbb_pbp(), que es la que extrae el play by play, y la función espn_mbb_player_box(), o sea, la que extrae los boxscore. ¿Por qué? Porque los pbp vienen sin nombres de jugadores, solo indican los id de los jugadores, por lo que tenemos que juntar estos nombres con sus ids para saber qué hace cada jugador.

Read more

Alguno y alguna, con la franqueza que agradezco, me dijo que mi Substack de pago era muy de nicho. Es cierto lo reconozco, pero este quizás sea más nicho todavía. Porque que considero que, cuantos usuarios pueden estar interesados en extraer los play by play de la ncaa, que por cierto es una tarea mastodóntica ya que las lineas que pueden generar los 6.100 o 6.200 partidos por temporada pueden superar y superan más del millón. Quizás lo hago para mi yo del pasado, que hubiera matado porque le ensañaran hacer cosas concretas mas allá del tipico curso generalista de cómo programar en R. Pues si alguno tiene la inquietud que como yo tenía, aquí tiene. Vale, entonces; debido a otro proyecto paralelo, me voy a enfocar en la temporada de Michigan y en este primer capítulo me voy centrar en como extraer los game id necesarios para extraer los partidos y cómo quiero explicar todo muy bien aunque es un código corto, quiero explicar los conceptos de scrapping y html necesarios

Paso 1: Cargar librerías y definir la URL

En este enlace del calenderio de Michigan vemos todos los partidos jugados hasta la fecha si os fijais en el link si cambiaís la parte de final 130/michigan-wolverines por la del equipo que queráis analizar o extraer obtendréis su calendario

Entonces: cargamos las librerías necesarias y guardamos la URL del calendario del equipo del que queremos extraer los partidos.

library(tidyverse)
library(rvest)


url <- "https://www.espn.com/mens-college-basketball/team/schedule/_/id/130/michigan-wolverines"

Read more

Repaso de la J16 en la ACB

En este tutorial voy a explicar paso a paso cómo construir un gráfico que muestra la composición de nacionalidades en jugadores U22 por equipo, usando datos alojados en Supabase, y aplicando el estilo visual que suelo usar.

El resultado final es un gráfico por equipos donde:

• Cada cuadrado representa un jugador.

• El color indica la nacionalidad (Española / No Española / Desconocida).

• Aparece el logo del equipo integrado en el eje.

Pero antes vamos hacer un repaso de la jornada 16 de la ACB previa a la última jornada de la primera vuelta, la 17, donde quedan todavía por decidirse los dos últimos equipos que irán a Valencia.

Esta última jornada ha dejado prácticamente decidido quién jugará la Copa del Rey 2026 y, por si alguien no lo tiene claro, voy a explicar brevemente cómo funciona el sistema.

La clasificación es directa. Entran los ocho primeros equipos de la Liga ACB al final de la primera vuelta, tras la jornada 17. A esto se añade el papel del anfitrión, que tiene la plaza asegurada. Si el organizador ya está entre esos ocho primeros, no cambia nada y se clasifican los ocho mejores. Si no lo está, entra el anfitrión y se completan las plazas con los siete mejores equipos restantes, dejando fuera al octavo clasificado.

En caso de empate a victorias al final de la primera vuelta, el primer criterio es el basket-average en los partidos entre los equipos implicados. Si el empate se mantiene, se recurre a la diferencia de puntos general. Solo cuentan los partidos de la primera vuelta, no influyen resultados posteriores y no existen invitaciones ni decisiones discrecionales. Es un sistema cerrado y completamente reglado.

Con esto claro, la situación actual es esta: con los balances de la Liga Endesa a estas alturas, hay varios equipos que ya han asegurado matemáticamente su presencia o están prácticamente dentro. El Real Madrid lidera la ACB, Valencia Basket tiene además la condición de anfitrión, el FC Barcelona se mantiene en los puestos altos, UCAM Murcia se mueve en el rango del top 3-4, Joventut de Badalona ya está confirmado de forma matemática y Unicaja Málaga, sexto clasificado, tiene la plaza muy encarrilada. En la práctica, estos seis equipos tienen su billete casi asegurado para la Copa del Rey 2026.

La pelea real está en las dos plazas restantes, que se decidirán tras la jornada 17, al cierre de la primera vuelta. Baskonia ocupa ahora mismo una posición alta y depende de sí mismo para entrar. La Laguna Tenerife también tiene opciones si gana su próximo partido y mejora el average, mientras que Surne Bilbao Basket sigue en la carrera siempre que saque adelante sus últimos encuentros. Aquí, cualquier detalle puede marcar la diferencia.

Y hasta ahora en la ACB, al menos para mí, y creo que no me equivoco si digo que para casi todo el mundo, la gran noticia, por lo inesperada y para alegría del Breogán, es otra muy distinta.

Francis Alonso (16 DRE):

Recordemos, o al menos yo lo recuerdo muy bien, que Francis viene de jugar dos años en Primera FEB con Estudiantes, sin brillar especialmente. Un paso discreto, incluso generando dudas del tipo: si este tío es bueno, ¿por qué no brilla? Esa sensación quedó ahí y despues de la desilusión de la Final Four por el ascenso el fichó por el Rio Breogan. Y mira que tarjeta:

Read more

Gonzalo Corbalán

Con Gonzalo Corbalán reconozco que tengo una relación de odio-amor bastante fuerte. Odio desde el partido del año pasado en el que San Pablo Burgos nos ganó 91 95 al Estudiantes. Aquel día nos metió 23 puntos, cogió 7 rebotes, se fue a 29 de valoración y acabó levantando el puño a la grada. Lo tuvimos ahí. Pero también hay amor, porque sabiendo el jugador que es llevo toda la temporada apostando por él en el SuperManager y, la verdad, me ha dado bastantes alegrías. En esta última jornada se salió con 27 de valoración y además firmó el DRE más alto, con una tarjeta muy limpia, grandes porcentajes y ninguna pérdida, en el enfrentamiento directo ante Covirán Granada para salvar la categoría. Y no fue un hecho aislado: días antes ya había asumido galones en Gran Canaria con 20 puntos y, frente a UCAM Murcia, volvió a ser el referente incluso en la derrota, con 25 puntos y 29 de valoración. Por eso llevo toda la temporada apostando por él.

Nicolás Laprovittola

Laprovittola es el típico jugador que no te puede caer mal. Además, hay que tener en cuenta que esta temporada venía de arrastrar problemas musculares, sobre todo una lesión de aductor que lo tuvo fuera varias semanas, y en noviembre volvió a caer, perdiéndose de nuevo partidos. Él mismo lo explicó después, diciendo que viene de lesiones pequeñas, que se está adaptando y que se levanta cada día creyendo que puede aportar al equipo. Y aportó, y mucho, en un Clásico que nunca es sencillo: 19 puntos y 9 asistencias en el Movistar, controlando el ritmo y tomando decisiones cuando el partido se apretaba. No es casualidad que su mejor versión coincida con la llegada de Xavi Pascual, que le ha devuelto galones y responsabilidad. Lapro no hace ruido, pero cuando está sano y con confianza casi todo pasa por él. Y eso, después de una lesión, tiene todavía más mérito.

Danko Branković

El partido ante Unicaja fue la confirmación de algo que llevaba semanas viéndose venir: llega a enero en su mejor tramo de la temporada. Ante Surne Bilbao abrió la serie con 16 puntos, castigando tanto cerca del aro como desde fuera, con 5 de 8 en tiros de dos y 2 de 3 en triples, sumando además 5 rebotes y un +6 en pista. En Badalona, pese a la derrota, volvió a estar sólido. Firmó 14 puntos, con buenos porcentajes, 5 de 7 en tiros de dos y 1 de 2 en triples, añadió 4 rebotes y alcanzó los 17 créditos de valoración. Frente a Baskonia, en un partido con menos minutos, fue directo y eficiente. Anotó 12 puntos sin fallos en tiros de dos, 3 de 3, con acierto exterior, 2 de 3 en triples, capturó 5 rebotes y repitió 17 de valoración. Y contra Unicaja dominó el encuentro desde el físico y la continuidad: 16 puntos, 11 rebotes y 29 de valoración en una actuación completa, sólida y constante. Fue su gran noche, no tanto por una explosión puntual, sino por la sensación de control durante todo el partido. Cada ventaja del Breogán pasó por su presencia cerca del aro, imponiéndose en el rebote y castigando cada desajuste defensivo. El doble-doble, poco habitual en la ACB, habla por sí solo de su partidazo.

Mihajlo Andrić

Ay Mihajlo, mi Mihajlo. A punto estuve el año pasado de comprarme su camiseta, pero se nos marchó. Me alegro de que le esté yendo tan bien, a él y a Francis Alonso, aunque también me da algo de rabia, porque podrían haber jugado así el año pasado. En fin. Si Branković sostuvo al equipo, Andrić fue quien rompió el partido. Así lo recogieron tanto La Voz de Galicia como El Progreso, destacando su impacto desde el perímetro: 22 puntos, con un 6 de 8 en triples, y 22 de valoración. Sus aciertos llegaron justo cuando Unicaja amagaba con reaccionar, cortando cualquier intento de remontada. Fue mi Mihajlo quien abrió la brecha definitiva y convirtió un partido igualado en una victoria cómoda.

Melwin Pantzar

Pantzar no hace mucho ruido, pero en la jornada 14, en la victoria del Surne Bilbao Basket en Girona por 89 93, fue el jugador más valorado del equipo con 24 de valoración, sosteniendo al Bilbao desde la dirección. 11 puntos, 4 asistencias, buen acierto y mucha lectura para manejar los momentos calientes del final. No fue un partido de grandes alardes, pero sí el tipo de actuación que te saca una victoria clave fuera de casa.

De los tres últimos, nada que destacar. Bastante tienen los pobres.

Los Españoles mas destacados en la NCAA

Empezamos por orden de lista y nos detenemos en los cinco jugadores más importantes.

Rubén Domínguez (Texas A&M)

Rubén Domínguez ha tenido continuidad en la rotación de Texas A&M durante toda la temporada. Su tiempo en pista se ha movido casi siempre entre 20 y 30 minutos, sin cambios bruscos desde noviembre.

Read more

Qué tal todo y Feliz Navidad espero que hayais disfrutado mucho de vuestros Beloved ones.

Jornada 11 en la ACB y de repente VAN BECK. Los 5 mejores

Aunque su nombre nos despiste, a mí me pasa a menudo con los nombres, es un jugador nacido en Houston, Texas. Wasley Van Beck es de esos casos en los que nadie espera que se fuera a salir esta jornada, pero sí era esperado. Llegó al Tenerife para cubrir la baja de Kramer, que fue fichado por el Real Madrid.

Wesley Van Beck (DRE +15.6)

Con 27 puntos en 20:56 y un acierto excepcional en triples, 8 de 9, Van Beck fue el motor ofensivo del Lenovo Tenerife esta jornada. Su DRE de +15.6 se sostiene casi por completo en ese 8/9 desde el triple, que compensó el desastre de Shermadini que me comí en el Supermanager.

Sergi Martínez (DRE +13.7)

Martínez sumó 20 puntos y 7 rebotes en el toma y daca que fue el partido contra Tenerife intentando contrarrestar la abalancha de triples que se les venía encima. 4/4 en tiros de 2 y 4/5 en tiros de 3 rozó la perfeccción.

Markus Howard (DRE +13.4) – Baskonia

En una victoria agónica y en la última posesión, una vez más, tras un tropiezo delante de Alberto Díaz del que logra levantarse, finta a un defensor del Unicaja y mete un triple espectacular que da la victoria a los vitorianos sobre la bocina. Nueve puntos en el último minuto del estadounidense, decisivos para el triunfo baskonista. Aunque la noticia reciente era su regreso tras lesión y un proceso febril, Howard firmó una actuación sólida en la J11 con 30 puntos.

Devin Robinson (DRE +12.7) – Zaragoza

Junto a Trae Bell-Haynes con 23 puntos, un rebote y siete asistencias, Santi Yusta con 22+4+1, Devin Robinson se marcó un partido de 23 puntos, 6 rebotes y 1 asistencia.

Francis Alonso (DRE +12.0) – SBB

Un dato claro: su aportación de 22 puntos en menos de 17 minutos es excepcional y explica cómo alcanza ese +12. Pero personalmente me da un poco de rabia porque este Francis Alonso es el que hubieramos necesitado en el Estudiantes el año pasado.

Los 3 Peores

Raul Neto, con un DRE de −3.8, encabeza el Top de la vergüenza, sobre todo por las seis pérdidas. Brian Angola le sigue con un DRE de −4.0, tres pérdidas y ningún punto, ya que falló los tres tiros que intentó. Y para cerrar, la gran decepción para todos, especialmente para quienes lo llevaban en el SuperManager, Jean Montero, con un DRE de −4.4 y −5 de valoración. Perdió más balones que asistencias y tiró poco y mal. Cuando un jugador de su calidad da de repente este bajón, suele coincidir con alguna lesión no comunicada. Veremos (esto son peliculas mías).

¿Un café?

Españoles en la NCAA esta semana

Esta semana deja un protagonismo claro para Aday Mara y un segundo escalón en el que aparecen nombres como Baba Miller y Pablo Tamba, mientras que el resto mantiene un impacto más puntual y ligado al contexto.

Aday Mara (Michigan)

Es el nombre propio de la semana. Su producción ofensiva (14,5 puntos en solo dos partidos y 24 minutos de media) lo sitúa como el español con mayor visibilidad ahora mismo. Destaca por su eficiencia cerca del aro, su presencia física y un rol cada vez más estable dentro de la rotación.

Baba Miller (Cincinnati)

Semana correcta, 11 puntos y aportación en varias facetas, aunque sin generar los titulares de la semana pasada. Su rendimiento se mantiene en una línea estable.

Pablo Tamba (LSU)

Sus 14 puntos en 38 minutos lo colocan bien en la tabla, pero la cobertura es mínima y prudente. Es un jugador que esta aprovechando sus oportunidades.

O sea, Aday sigue en progresión y Baba sigue estable, el resto siguen en su rol.

La semana pasada escribí y repasé los premios individuales de mitad de temporada. Si se te pasó o no lo viste en su momento, aquí lo tienes:

La verdad es que no fue de los posts que más interés despertó, aunque me quedo con que gente a la que admiro sí me dio un feedback muy positivo, algo que agradezco de verdad.

En ese post acompañé cada categoría con un gif animado que reflejaba la evolución de las probabilidades que Las Vegas asignaba a cada jugador para ganar el premio, día a día, desde casi el inicio de la temporada.

¿Por qué digo casi?

Para hacer esos gifs necesito extraer cómo evoluciona la línea de probabilidad cada día desde el inicio de la temporada. Lo de “casi” es porque la NBA empezó el 20 de noviembre y yo comencé el seguimiento el día 24.

¿Extraerlo a mano? Eso exigiría mucha disciplina y sería tan aburrido como darle a un botón cada día y guardarlo en CSV. Por suerte aprendí a usar GitHub Actions y un robot, por decirlo así, lo hace por mí. A esto le dediqué un post y, si no lo leíste, lo tienes aquí:

De la pagina https://www.rotowire.com/betting/nba/rookie-odds.php extraigo el Json y con este pequeño código guardo cada día los resultados:

library(dplyr) # para manipular los datos
library(jsonlite) # para obtener los datos

# obtener la fecha de hoy
today <- Sys.Date()

# asegurar que la carpeta de salida de datos existe
if (!dir.exists("data")) dir.create("data")

# url para obtener las probabilidades de roy de rotowire
url <- "https://www.rotowire.com/betting/nba/tables/player-futures.php?future=Rookie"

# obtener los datos
result <- fromJSON(txt = url)

# agregar la fecha de hoy como una columna
df <- result %>%
  mutate(date = today)

# guardar el dataframe como .csv en una carpeta llamada "data/"
write.csv(df, paste0("data/roy_odds_", gsub("-", "_", today), ".csv"), row.names = F)

El action de GitHub se encarga de hacerlo todos los días y aquí también comparto el código por si alguien quiere replicarlo o adaptarlo

name: Cuotas del ROY

on:
  workflow_dispatch:
  schedule:
    - cron: '30 8 * * *'

jobs:
  Get-NBA-ROY-Odds:
    name: Actualizar cuotas del ROY 
    runs-on: ubuntu-latest
    env:
      GITHUB_PAT: ${{ secrets.GITHUB_TOKEN }}
    steps:
      - uses: actions/checkout@v3  
      
      - uses: r-lib/actions/setup-r@v2
        with: 
          use-public-rspm: true
          r-version: 'release'
          
      - name: Install libcurl and libssl on Linux
        run: sudo apt-get -y install libcurl4-openssl-dev
        shell: bash
        
      - name: Cache CRAN packages
        uses: actions/cache@v3 
        with:
          path: ${{ env.R_LIBS_USER }}
          key: ${{ runner.os }}-r-${{ hashFiles('**/DESCRIPTION') }}
          restore-keys: ${{ runner.os }}-r-
          
      - name: Install CRAN packages
        uses: r-lib/actions/setup-r-dependencies@v2
        with: 
          packages: jsonlite, dplyr
          
      - name: Run R update script
        run: Rscript roy-odds.R
        shell: bash

      - name: Commit changes in data folder
        run: |
          git config --global user.name 'github-actions[bot]'
          git config --global user.email 'github-actions[bot]@users.noreply.github.com'
          git add data/roy_odds_*.csv
          git diff --cached --quiet || git commit -m "Auto-update: roy odds"
        shell: bash

      - name: Push changes
        run: git push
        env:
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}

¿Cómo hago el Gif?

Después de haber explicado cómo voy almacenando los datos, ahora toca explicar cómo cargo todos los CSV que se van generando en mi sistema y, después, cómo construyo el gif.

Lo primero son las librerías. En este caso, la más importante es {gganimate}, que es la encargada de animar los datos.

library(tidyverse) #manipular datos
library(gganimate) #animar datos
library(zoo)
library(hoopR) #en este caso colores y nombres de equipo
library(prismatic) #oscurecer colores originales
library(ggtext) #texto enriquecido

# Mi caption personalizado
twitter <- "<span style='color:#c8102e;font-family: \"Font Awesome 6 Brands\"'>&#xE61A;</span>"
tweetelcheff <- "<span style='font-weight:bold;color: black;'>*@elcheff*</span>"
insta <- "<span style='color:#E1306C;font-family: \"Font Awesome 6 Brands\"'>&#xE055;</span>"
instaelcheff <- "<span style='font-weight:bold;color: black;'>*@sport_iv0*</span>"
github <- "<span style='color:#c8102e;font-family: \"Font Awesome 6 Brands\"'>&#xF092;</span>"
githubelcheff <- "<span style='font-weight:bold;color: black;'>*IvoVillanueva*</span>"
caption <- glue::glue("**Datos**: *@NBA* | **Gráfico**: *Ivo Villanueva* • {twitter} {tweetelcheff} • {insta} {instaelcheff} • {github} {githubelcheff}")

Ahora cargamos los colores y nombres de los equipos.

teams <- hoopR::nba_teams() %>% 
  select(team = team_abbreviation, color, alternate_color) %>% 
  mutate(color = paste0("#", color),
         alternate_color = paste0("#", alternate_color))

Read more

Una semana más, como es habitual, voy a empezar analizando la última jornada, la 9, por el impacto global que nos revela el Daily RAPM. (Recordaros que: la tabla completa está en mi perfil, en la pestaña ‘Los mejores de la jornada’).

La Jornada 9 en La Liga Endesa

Pantzar repite. Llegó a 15 puntos y se mostró muy activo en defensa con cinco robos mantuviendo el ritmo del partido cuando su equipo lo necesitó, su unico debe es que hizo un 2 de 6 en tiros de dos pero aprovechó perfecto los tiros libres y sostuvo un nivel físico alto durante todos sus minutos.

Sant-Roos respondió con una actuación muy completa y eficiente. A 2 rebotes del doble-doble, cerró líneas de pase y evitó pérdidas. No necesitó tirar de 3.

Parra, ojito con Parra, que a un rebote quedó del doble-doble y solo falló un tiro de 3 de los 2 que lanzó. Fue un castigo cerca del aro y mantuvo un acierto sólido desde media y larga distancia.

Luwawu-Cabarrot, en un partido en el que el error de Taylor le dio la victoria al Valencia y, quitando los cabreos que se coge, él y Diakité (por cierto, mira a ver si no lo llevas en el SM porque ya estás tardando en ponerlo), pusieron contra las cuerdas al líder. Aportó puntos en momentos decisivos con un 50% en triples.

Punter. Aunque el más destacado del partido fue Parra, Kevin apareció en los momentos importantes y completó una actuación muy seria. Seleccionó bien sus tiros. Hizo 25 de valoración sin coger un solo rebote, perdió lo mismo que recuperó y tuvo una gran eficiencia.

Esta semana, como dice Fran Fermoso, Walden, Pustovyi y Hilliard, al rincón de pensar: desastre total. Con Walden tengo curiosidad, tanta que estoy por ver el partido; ¿cómo puede ser que alguien que mete un tiro de dos, un tiro libre, pierde 3 balones y coge 4 rebotes lo tengan en pista 21 minutos? A Pustovyi le salvan los 11 puntos y 4 rebotes, pero para un pívot como él, que juega cerca del aro, el 40% en tiros de dos, se me antoja ridículo. Luego Hilliard, que perdió los mismos balones que puntos metió, lo mismo es algún tipo de récord.

¿Un café?

Top NCAA de la clase Freshman

Vuelvo a traer el repaso de los Freshman en la NCAA para constatar que más o menos todo sigue igual que la última, con Boozer y Wilson como destacados.

Cameron Boozer (Duke)
Boozer se ha convertido en una figura central dominante en Duke, demostrando un rendimiento de élite contra rivales Top 25. Sus actuaciones, como 18 puntos y 15 rebotes ante Michigan State, y una destacada actuación frente a Florida que le valió el Jugador de la Semana por la AP, lo confirman como uno de los mejores freshmen del país. Yo creo que es el competidor más fuerte para el Jugador Nacional del Año. En X, medio de broma, medio no, lo comparé con Garbajosa; me recuerda a ese tipo de jugador que juega de jugador de baloncesto.

Caleb Wilson (North Carolina)
Wilson es mi favorito de ver, este chaval tiene algo; además, ha conseguido varios doble-dobles recientemente, liderando a North Carolina en una victoria amplia contra Georgetown con 20 puntos y 14 rebotes. Ha anotado dentro y cogido rebotes, ayudando a UNC a ir adelante en varios partidos de diciembre.

Kingston Flemings (Houston)

Flemings sigue atrayendo atención de scouts y medios especializados por su crecimiento como guard con capacidades de anotación y tiro eficiente (más del 50% en triples en el inicio de temporada) y ha escalado posiciones en mock drafts de cara a 2026.

Kayden Mingo (Penn State)

Mingo ha destacado en la Big Ten, siendo nombrado Freshman of the Week tras promediar cifras sólidas (ejemplo: 13.5 puntos, 5.0 robos). Lideró a Penn State en puntos y creación contra rivales de conferencia, e incluso anotó 19 puntos en una reciente derrota contra Indiana.

Meleek Thomas (Arkansas)

Lo más destable de Meleek es que contribuyó con dobles dígitos a la victoria ante Fresno State.

AJ Dybantsa (BYU)
Recientemente, Dybantsa tuvo una actuación destacada en el Jimmy V Classic en el Madison Square Garden. Lideró una remontada histórica de 22 puntos para terminar con 28 puntos, 9 rebotes y 6 asistencias.

Cómo extraje e hice la tabla del absentismo en la NBA

Esta semana voy a explicar cómo hice la tabla del coste por partido de los jugadores lesionados a los equipos de la NBA. En el artículo previo de Alejandro Gaitán se hablaba de que el número de partidos, sistema de competición y estilo de juego, llevaba a los cuerpos de los jugadores de la NBA a un gran estrés, pero que las presiones económicas y publicitarias (económicas) hacían inviable reducir el número de partidos

🏀 NBA | @alejandroggo

#165 La crisis de las lesiones en la NBA (I): ¿cómo solucionamos el problema?

Por si no lo sabéis, es muy probable que vuestro jugador favorito esté lesionado. Hay altas probabilidades de que en vuestro equipo falten ahora mismo al menos uno, y posiblemente dos titulares. Se a…

Read more

6 months ago · 6 likes · 1 comment · Alejandro Gaitan | NBA 🏀

En una época en que me interesé por los salarios de la NBA, descubrí la página de Spotrac y enseguida me vino a la cabeza cómo repercutía esa presión tanto monetariamente como en la clasificación de los equipos. Ahora bien, hubiera sido interesante poder comparar ese peso con los ingresos de un equipo por partido.

Si no lo has leido, aquí lo tienes

Read more

Quiero empezar este post informando sobre las dos pestañas que hay en mi substack. Una ya lleva desde la jornada 6, Valoraciones a favor y en contra y la otra la he incorporado esta semana, Los Mejores De La Jornada ACB,. Ambas se actualizan los lunes de madrugada.

Valoraciones a favor y en contra

Esta tabla muestra los puntos o por medias (todas como local, visitante etc,.) o por jornada de puntos, canasta de 3, rebotes, asistencias y valoración:

• Bases a favor

• Aleros a favor

• Pivots a favor

• Bases en contra

• Aleros en contra

• Pivots en contra

Tiene 4 filtros:

• Total (por defecto) o media

• Team (equipo)

• Cancha (todos, todas, todas local, todas visitante, local o visitante.

• Jornada

Yo la encuentro super útil, espero que vosotros igual, tanto para ver el historico desgranado, estudiar al rival o para tener contexto por si queremos apostar a algo (esto útlimo si decís que lo he dicho diré que mentís)

Los Mejores De La Jornada ACB

En esta están los mejores de la jornada filtrados, no por valoración, si no por el Rapm Estimate Dre, aunque si dais al nombre de la columna se puede filtrar por el valor que quieras.

¿Por qué por DRE y no por valoración? Porque en el Dre los números que tiene un jugador se ponderan según el peso que esa estadistica tiene en el juego y me parece más justo, que se tenga en cuenta para el analisis de un jugador, si ha perdido 5 valones aunque haya metido 25 puntos .

¿Un café?

Los mejores de la Jornada según el Daily RAPM

La jornada dejó un grupo corto de actuaciones muy eficientes que marcaron diferencias en pocos minutos. El mejor registro lo firmó Timothé Luwawu-Cabarrot. Gracias a su gran acierto en el acierto exterior. Sumó 24 puntos en 18 minutos y mantuvo un uso alto sin afectar al flujo del juego.

Dylan Ennis repitió el patrón que hemos visto este curso cuando entra en ritmo desde fuera. Convirtió ocho triples y sostuvo a UCAM en un tramo ofensivo que permitió abrir ventaja. eso si sin asistenciás y con 4 rebotes; le bastó con castigar cada recepción abierta.

Jonah Radebaugh completó la tercera gran actuación del día. Se mantuvo agresivo hacia el aro, cerró bien el rebote y evitó errores. Su línea fue más discreta en anotación, pero equilibró el partido desde varias acciones cortas. Anontando la mitad su impacto fue igual al de Ennis.

Bakary Dibba fue el interior más fiable de la jornada. Sumó desde el rebote, corrió bien el campo y aprovechó cada finalización cerca del aro. No necesitó volumen para ser útil y su presencia atrás sostuvo al equipo cuando Burgos intentó volver al partido.

Margiris Normantas cerró el top cinco con un rendimiento estable pese a la derrota. Sumó desde las asistencias sobre todo. Su acierto interior compensó el cero desde la linea de 3, los -19 explican por qué su valoración no llegó más arriba.

El club de las 3 pérdidas y el 0 de 2

En la parte baja volvimos a ver un bloque de actuaciones castigadas por el porcentaje exterior y por pérdidas en momentos acumulados. Justin Jaworski no encontró tiros cómodos y su -12 en pista reflejó los problemas del equipo para generar ventajas con él en el perímetro.

Mark Hughes tuvo una noche parecida. El bajo acierto exterior y la falta de continuidad en defensa dejaron su impacto en negativo, incluso con algunos destellos en transición.

Alfonso Plummer cerró el trío de peores registros con una línea similar: mal porcentaje, poco peso en la creación y un parcial negativo amplio que penalizó su DRE.

En conjunto, la J8 mostró una brecha clara entre quienes sostuvieron su producción con eficiencia y quienes se suicidaron de 3 sin más que aportar cuando el acierto no llegó.

Cómo hice el Plot AST% vs TOV%

Este plot que hice para el post de Hugo Benitez el Casi MVP de la Jornada 7 y si no lo leiste, por lo que sea, aquí lo tienes:

En mi humilde mi opinión quedan muy chulos, por sus fotos difuminadas, los circulos con las imagenes y los comet Plot (geom_link) que me vi obligado a usar porque Pantzar y Benitez estaban tan juntos, que tuve que rascarme la cabeza para inventaarme algo que no fuera lo de siempre y que destacara de alguna manera la situación de Benítez, que era de quien hablaba en el post. Los comet también los usé para esta gráfica:

Había visto en las últimas semanas muchas tablas de conexiones y quería darle una vuelta a este tipo de de gráficas porque me sentía como que no me diferenciaba de nadie y se me ocurrió hacer algo así.

Bueno empecemos con el Tutorial y cómo siempre con las librerías:

library(tidyverse)   # la navaja suiza de los datos
library(prismatic)   # para cambiar tonos de color
library(cropcircles) # para las fotos dentro de circulo
library(ggrepel)     # para que el texto no se solape
library(grid)        # para las flechas del plot
library(magick)      # para la funcion traansparent
library(ggimage)     # para los logos y fotos
library(ggforce)     # para el geom_link()
library(ggtext)      # para el texto html

Cargamos el data set con los logos, colores, etc. y los boxscores:

clubs <- read.csv(”https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/logos_calendario/clubs2026.csv”) %>%
  select(abb, logo, color) %>%
  mutate(color = ifelse(abb == “RMB”, “white”, color))


datos <- read_csv(”https://raw.githubusercontent.com/IvoVillanueva/pbp-acb-2025-26/refs/heads/main/data/boxscores_2025_26.csv”,
  show_col_types = FALSE
) 

Ponemos también la función que difumina las imagenes:

transparent <- function(img) {
  magick::image_fx(img, expression = “0.65*a”, channel = “alpha”)
}

Mi caption; el que no es el de SuperManager:

twitter <- “<span style=’color:#000000;font-family: \”Font Awesome 6 Brands\”’>&#xE61A;</span>”
tweetelcheff <- “<span style=’font-weight:bold;’>*@elcheff*</span>”
insta <- “<span style=’color:#E1306C;font-family: \”Font Awesome 6 Brands\”’>&#xE055;</span>”
instaelcheff <- “<span style=’font-weight:bold;’>*@sport_iv0*</span>”
github <- “<span style=’color:#000000;font-family: \”Font Awesome 6 Brands\”’>&#xF092;</span>”
githubelcheff <- “<span style=’font-weight:bold;’>*IvoVillanueva*</span>”
caption <- glue::glue(”**Datos**: *@ACBCOM* | **Gráfico**: *Ivo Villanueva* • {twitter} {tweetelcheff} • {insta} {instaelcheff} • {github} {githubelcheff}<br>”)

Primero necesito calcular el FGM y las AST de los sequipos por partido para la fórmula del AST%:

fgm_equipo <- datos %>%
  group_by(id_match, abb) %>%
  summarise(
    fgm_eq = sum(x2pt_success + x3pt_success),
    asis_eq = sum(asis),
    .groups = “drop” #con esto desagrupamos y nos evitamos el ungroup()
  )

Ahora junto el codigo de fgm_equipo con los bosxscore y calculo para los jugadores el AST% y el TOV% por partido:

por_partido <- datos %>%
  left_join(fgm_equipo, join_by(id_match, abb)) %>%
  mutate(
    fgm_jugador = x2pt_success + x3pt_success,
    fga = x2pt_tried + x3pt_tried,
    fta = x1pt_tried,

    # Fórmula AST% oficial
    ast_pct_real = if_else(
      (fgm_eq - fgm_jugador) > 0,
      asis / (fgm_eq - fgm_jugador),
      NA_real_
    ),

    # Fórmula TOV% oficial
    tov_pct_real = turnovers / (fga + 0.44 * fta + turnovers)
  )

Con este útlimo código ya extraigo lo datos por temporada y les uno el data set de los logos y colores por equipo. Depués con esto ya unido creo la columna de los logos envueltos en un ciruclo, coloco los datos de AST% de mayor a menor y filtro por jugadores que su numero de asistencias esten por encima de la media y que no se llemen Trent Forest.

por_temporada <- por_partido %>%
  group_by(jugador = license_license_str15, abb) %>%
  summarise(
    asis_tot = sum(asis, na.rm = TRUE),
    tov_tot = sum(turnovers, na.rm = TRUE),
    fgm_tot = sum(fgm_jugador, na.rm = TRUE),
    fga_tot = sum(fga, na.rm = TRUE),
    fta_tot = sum(fta, na.rm = TRUE),
    fgm_eq_tot = sum(fgm_eq, na.rm = TRUE),
    .groups = “drop”
  ) %>%
  left_join(clubs, join_by(abb)) %>%
  mutate(
    ast_pct_season = asis_tot / (fgm_eq_tot - fgm_tot),
    tov_pct_season = tov_tot / (fga_tot + 0.44 * fta_tot + tov_tot),
    logo = crop_circle(logo, border_colour = clr_darken(color), bg_fill = color, border_size = 14)
  ) %>%
  arrange(desc(ast_pct_season)) %>%
  filter(asis_tot > mean(asis_tot) & jugador != “Trent Forrest”)

Ahora necesito otro bloque separado para los 6 mejores jugadores (los que van a tener foto):

temporada_foto <- por_temporada %>%
  head(6) %>%
  mutate(
    foto = case_when(
      jugador == “Hugo Benitez” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Hugo%20Benitez.png”,
      jugador == “Dani Pérez” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Dani%20Pe%CC%81rez.png”,
      jugador == “Shannon Evans” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Shannon%20Evans.png”,
      jugador == “Marcelinho Huertas” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Marcelinho%20Huertas.png”,
      jugador == “Otis Livingston” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Otis%20Livingston.png”,
      jugador == “Facu Campazzo” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Facu%20Campazzo.png”,
      jugador == “Melwin Pantzar” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Melwin%20Pantzar.png”
    ),
    foto = crop_circle(foto, border_colour = clr_darken(color), bg_fill = color, border_size = 14)
  )

Y ya tengo todo preparado para relizar la gráfica. Lo primero para ver los datos como es debido porque: cuantas menos perdidas mejor, mas perdidas peor; coloco el eje Y en reverse y filtro los jugadores que su porcentaje este por debajo de 15% que van a tener difuminado el logo para destacar que no son importantes. Para eso la pequeña función transparent:

por_temporada %>%
  ggplot(aes(x = ast_pct_season, y = tov_pct_season)) +
  scale_y_reverse() +
  geom_image(
    data = por_temporada %>% filter(ast_pct_season <= .15), aes(image = logo),
    size = .035,
    image_fun = transparent
  ) +

Despues añado los jugadores que están por encima del 15% y por debajo del 20% digamos la clase media, para eso en el filtro uso between(ast_pct_season, .15, .20).

Read more

Revisando los datos de la Jornada 6 en la ACB, quiero compararlos con otra métrica que, en mi opinión, refleja mejor el desempeño en un partido, ya que pondera cada estadística según su importancia en el juego.

Esta métrica no es mía la inventó Kevin Ferrigan , el DRE -Daily RAPM Estimate- . No se centra solo en la producción bruta, o sea sumo lo bueno y resto lo malo, si no que lo hace en que aporta cada cosa en el partido.

1. Melwin Pantzar (18.9)

Su partido contra CAZ fue el más influyente de la jornada. En 21 minutos firmó 14 asistencias, como dije en X, ¡¡14!! y 4 robos, con un +22 de mas menos y 0 perdidas. Pantzar destacó en eficiencia en la creación de juego y el impacto defensivo, aunque no destacó en anotación.

2. Isaiah Wong (14.9)

En 15 minutos produjo 20 puntos y 3 robos, sin pérdidas y con un 4 de 5 en triples.

3. Nico Brussino (13.0)

Actuación muy eficiente: 18 puntos en 31 minutos, sin pérdidas y con buenos porcentajes.

4. Marcelinho Huertas (12.9)

La Valoración es la manta que todo lo tapa. Huertas tuvo un partido brillante en producción -28 puntos y 9 asistencias - que le coronaron hasta las 700; elegido como el jugador de la jornada, pero con tres pérdidas y 0/3 en triples y 0/9 en tiros libres. El DRE tiende a reducir el valor de este tipo de actuaciones y es por eso que me encanta, en una primera visión 37 de valoración es una gran actuación, que lo es, que compensa ese bajo rendimiento en eficiencia.

5. Luka Božić (12.7)

Luka completa con 19 puntos, 6 rebotes y 5 asistencias. Su consistencia y equilibrio en diferentes apartados lo mantienen en el TOP alto de la métrica, aunque con un impacto en en el marcador más moderado que los anteriores.

En el otro extremo, los he destacado porque no es habitual ver a jugadorazos como Sergio de Larrea, Brancou Badio y Bojan Dubljević qué cierren la tabla con DRE negativo. Los tres casos coinciden en bajos porcentajes, pérdidas o más menos muy negativos mientras están en pista.

Top NCAA de la clase Freshman

Este es un muy buen año de jugadores solo por una cuestión que así lo delata. El baloncesto universitario me ha vuelto loco desde siempre, o desde hace 40 años, lo que viene a ser lo mismo. Hay años que empiezo a verlo, ojeo los jugadores del TOP 25 o le echo un ojo a los que habla todo el mundo. Hay años que no retengo en mi mente ni un jugador, o quizás alguno, pero por lo malo (que dicen que es muy bueno y yo le veo muy malo). Hay que tener cuidado con esto y tener tu propio criterio. Los periodistas siempre están vendiendo la moto, demostrando cuánto saben, o el muñeco (que decía Andrés Montes) o animando al personal.

Pues bien, este año ya tengo en la cabeza como 5 o 6 nombres y alguno ya me ha sacado el wow. La lista de jugadores es interminable y, cuando digo interminable, no me desvío ni una coma de lo que quiero decir. Hay jugadores que destacan en universidades de ligas mediocres, que sus números, pues bueno, bien; pero no, porque me voy a centrar en los mejores del TOP 100 recruit de este año.

He escarbado muchos, muchos rankings porque, cuando extraje el de ESPN no vi por ningún lado a Darryn Peterson, uno de los más destacados por la facilidad que tiene para que parezca que no le defiende nadie o que digas: da igual lo que hagas, la va a meter. Así que lo destaco antes de que, cuando alguien vea que no está, no me diga: ññññññ, se te ha olvidado Peterson. Uso la misma métrica que con ACB

Cameron Boozer — DRE 13.0

Su impacto se sostiene en la combinación de uso alto y eficiencia. Produce 18.3 puntos por partido con buen control de balón y casi diez rebotes.

Caleb Wilson — DRE 12.8

Se acerca mucho a Boozer en eficiencia, aunque con un perfil algo más equilibrado. Suma en anotación, rebote y defensa sin forzar demasiadas posesiones. Sus 26 minutos por partido le dan suficiente volumen para que el impacto se refleje de forma constante.

Koa Peat — DRE 11.2

Sus números son algo más modestos, pero su DRE se mantiene alto gracias a un rendimiento sólido en ataque y una cifra de pérdidas muy contenida. Con 19.3 puntos y 3.7 asistencias, aporta tanto creación como finalización. El rebote es su punto más flojo, pero no lastra su valoración porque compensa con eficiencia en tiro y presencia defensiva estable.

Meleek Thomas — DRE 10.4

Más anotador que generador. Sus 18 puntos por partido vienen acompañados de cinco asistencias, una relación productiva para su perfil ofensivo. Aporta rebote y limita fallos en circulación.

Kingston Flemings — DRE 9.8

Su impacto depende más de la creación que de la anotación. Aporta casi cinco asistencias y mantiene a raya las pérdidas, lo que lo coloca por encima de otros jugadores con más puntos. Su perfil es el de un generador primario que no necesita anotar mucho para que el equipo funcione mejor con él.

AJ Dybantsa — DRE 7.6

Su producción es buena, pero algo menos eficiente que la de los nombres que encabezan la tabla. Anota 18.7 puntos y suma en casi todos los apartados, aunque con un balance de rebotes y asistencias más moderado que el de Wilson o Boozer. Su DRE refleja que su uso ofensivo es alto, pero todavía con margen para mejorar en control de balón y consistencia por minuto. Su presencia sigue siendo positiva para el equipo, pero no tan determinante como la de los líderes de la lista.

Con esto doy por cerrado el repaso de esta semana. Seguro que faltan más jugadores, pero por razones que desconozco ESPN no los contempla. Y hasta aquí mis tops. Ahora pasamos al tutorial.

Cómo crear una librería con nuestros datos de los boxscore de la Euroliga

En un anterior tutorial expliqué cómo extraer los boxscore de euroliga, y si no, aquí lo tienes:

Luego para evitar ir copiando y pegando el código de un script a otro, haciendo más extenso el archivo de lo necesario, cosa que odio personalmente (me gustan lo codigos muy resumidos y eficientes), para correr de nuevo la función para actualizar los datos, expliqué la manera de automatizar la extracción, y si no lo has leido aqui lo tienes también:

Ahora voy a hacerlo más eficiente aún, vamos a hacer una librería con el nombre que nos apetezca y subirla a Github. Se pueden subir también a Cran. hora explico la diferencia.

Subir una librería de R a GitHub es sencillo. Podemos compartir el código sin demasiadas restricciones: solo hay que crear un repositorio, subir los archivos y mantener el proyecto actualizado. Es la opción ideal cuando el paquete es de uso personal o no necesitamos supervisarlo demasiado.

Publicar en CRAN, en cambio, exige cumplir reglas más estrictas. El paquete debe pasar comprobaciones automáticas, incluir documentación completa y seguir las convenciones de R. La idea es asegurar que todo funcione bien y que el código sea estable. Además, cuando algo falla, recibes unos emails nada amigables y si muy amenazantes.

En resumen, GitHub sirve para proporcionarnos una herramienta rápida sin demasiadas pretensiones mas allá que la practica; CRAN, para publicar de forma oficial y llegar a toda la comunidad de R.

Empezamos y nuestro objetivo cuando acabemos sera algo asi yo lo he llamado EuroIvo pero tu llamalo como quieras.

library(EuroIvo)
data <- get_euroleague_boxscore()

PARTE 1: Crear el package desde RStudio

1. Abre RStudio

• En el menú superior: File → New Project → New Directory → R Package (using usethis)

• Nombre del paquete: eurodata

• Directorio base: donde quieras guardarlo (por ejemplo, ~/Documentos/).

• Desmarca “Create a git repository” (lo haremos luego manualmente).

• Pulsa Create Project.

Como en el video

PARTE 2: Estructura básica del paquete

Al crear el proyecto, RStudio genera algo así:

eurodata/
├── R/
│   └── hello.R
├── DESCRIPTION
├── NAMESPACE
├── man/
└── eurodata.Rproj

Borra los archivos del ejemplo (`R/hello.R` y `man/hello.Rd`). Tampoco me quiero entretener mucho que es cada cosa vamos a ir al grano. O por lo menos lo voy a intentar.

Read more

¿Te da pereza copiar o actualizar funciones cada vez que empiezas un script nuevo?

Cuando era pequeño, allá por el siglo XX, vi una película que me obsesionó y que nunca supe el nombre (la pille empezada). Digamos que era una película de unas naves espaciales que llevaban unos invernaderos para preservar la naturaleza que el hombre había destruido. Los jardineros eran unos robots que, ajenos a todo, seguían haciendo su trabajo con delicadeza y constancia, vigilando cada hoja y cada brote sin necesidad de reconocimiento, solo instrucciones claras y una misión. Todo ello bajo la mirada indiferente de unos humanos que no querían estar allí. Durante años no supe cómo se llamaba, pero gracias a ChatGPT di con el título: Silent Running.

A veces pienso en ellos cuando veo cómo trabaja una GitHub Action, como hacía el protagonista mientras comía chirimoyas y miraba a los robots seguir con su rutina. No tienen ojos ni ruedan por pasillos de metal, pero tienen algo de esos robots: ejecutan su tarea en silencio, a la hora indicada.

En este tutorial voy a crear mis propios robots con GitHub Actions para automatizar esas tareas que todos odiamos y que me rieguen el jardín de los datos recopilandolos y guardando los más recientes.

Por ejemplo, los boxscore de los partidos de Euroliga que se juegan a lo largo de la semana.

La semana pasada expliqué cómo extraerlos directamente desde la web de estadísticas. En este post, te enseño cómo mantenerlos actualizados automáticamente, sin tener que ejecutar el código manualmente cada día.

Y la próxima semana, voy un paso más allá: te mostraré cómo convertirlo en una librería lista para usar.

Si quieres que tus datos trabajen por ti (y no al revés), suscríbete y sigue la serie.

Suscríbete ahora

Cómo uso GitHub Actions

Presupongo que tienes conocimientos básicos de Git/GitHub. Es decir, que ya tienes una cuenta GitHub, sabes qué es un repositorio y entiendes cómo confirmar cambios, etc.

Si eres completamente nuevo en GitHub, te recomiendo leer primero alguna guía de inicio. Puedo recomendar Happy Git y GitHub para usuarios .

Voy a configurar un action de GitHub para recopilar y guardar de martes a Sabado los Boxscore. Es un ejemplo de cómo creo un flujo de datos automatizado, así mostrar el gran potencial de los action de GitHub.

Lo primero que haré será crear un nuevo repositorio. Lo llamaré BOXSCORES-EUROLEAGE, llamadme original.

Luego bajo hasta Add .gitignore y no me complico la vida elijo el template por. omisión de R. Como se puede ver esto sirve para ingnorar archivos temporales, etc.

Ahora desplego Add file

Y pego la función de la semana pasada, como indico en el código he agregado la fecha para controlar cuando ha sido la última vez que se han descargado los datos. Como sabeis este código extrae los Boxscore y crea un .csv y lo guarda en una carpeta que se llama Data

#librerias
library(tidyverse)
library(jsonlite)
library(httr)
library(lubridate)
library(janitor)

# asegurar que la carpeta data existe
if (!dir.exists(”data”)) dir.create(”data”)

#cargar las jornadas
ronda_df <- read_csv(
  “https://raw.githubusercontent.com/IvoVillanueva/Euroleague-boxscores/refs/heads/main/gamecodes/gamecodes_2025-26.csv”,
  show_col_types = FALSE,
  progress = FALSE
) 

#extraer los codigos de partidos hasta la fecha
gamecode <- ronda_df %>%
  arrange(jornada, gamecode, date) %>%
  filter(date < today(tzone = “Europe/Madrid”)) %>%
  pull(gamecode)

#función que extrae los boxscores
boxscores_fn <- function(gamecode) {
  url <- paste0(”https://live.euroleague.net/api/Boxscore?gamecode=”, gamecode, “&seasoncode=E2025”)

   round <- ronda_df %>%
    rename(codigo = gamecode) %>%
    arrange(jornada, codigo) %>%
    filter(codigo == gamecode) %>%
    pull(jornada)

#agrego esta parte para poner la fecha de la extracción
  fecha <- ronda_df %>%
    rename(codigo = gamecode) %>%
    arrange(jornada, codigo) %>%
    filter(codigo == gamecode) %>%
    pull(date)

  raw_teams <- GET(url, query = list()) %>%
    content()

  tm <- pluck(raw_teams, “Stats”) %>%
    tibble(value = .) %>%
    unnest_wider(value) %>%
    select(Team)

  df <- pluck(raw_teams, “Stats”, 1, “PlayersStats”) %>%
    tibble(value = .) %>%
    unnest_wider(value) %>%
    mutate(
      team_name = tm$Team[1],
      opp_team_name = tm$Team[2],
      id_match = gamecode
    )

  df1 <- pluck(raw_teams, “Stats”, 2, “PlayersStats”) %>%
    tibble(value = .) %>%
    unnest_wider(value) %>%
    mutate(
      team_name = tm$Team[2],
      opp_team_name = tm$Team[1],
      id_match = gamecode
    )

  df2 <- rbind(df, df1) %>%
    select(id_match, Player_ID:opp_team_name) %>%
    clean_names() %>%
    mutate(
      isLeague = “euroleague”,
      player_id = str_squish(player_id),
      ronda = round, .before = id_match,
      date = fecha
    )
}

boxscores_df <- map_df(gamecode, boxscores_fn)

#escribir el dataframe en la carpeta “data/”
write.csv(boxscores_df, “data/euroleague_boxscore_2025_26.csv”, row.names = F)

Read more

¿Qué tal todo?

Yo suelo informarme qué es lo que hacen los equipos ACB en Euroliga, pero me da mucha rabia tener que estar viendo los datos, súper acotados, con un montón de pop-ups de publicidad y realmente perderme por menús hasta que doy con ellos.

Con la app euroleaguer podemos extraer la información, pero sabiendo lo que se puede conseguir extrayéndolo nosotros, me parece que le falta chicha. No obstante, voy a indicar cómo se haría con la app.

Extracción de un partido.

library(euroleaguer)

bx <- getGameBoxScore(season_code = “E2025”, game_code = 4)
players <- bx$PlayerStats   # boxscore por jugador
teams   <- bx$TeamStats     # boxscore por equipo

Bx nos daría esto:

Para extraer solamente la info que queremos, pondríamos bx$ y los datos, aquí por ejemplo, bx$players.

Extración de una jornada.

library(dplyr)
library(purrr)
# obtener los códigos de partido de esa jornada
gms <- getCompetitionGames(season_code = “E2025”, round = 1)
codes <- gms$GameCode

# descargar boxscores y apilar
bxs <- map(codes, ~ getGameBoxScore(”E2025”, .x))

players_round <- map2_dfr(codes, bxs, ~ .y$PlayerStats %>% mutate(game_code = .x))
teams_round   <- map2_dfr(codes, bxs, ~ .y$TeamStats   %>% mutate(game_code = .x))

Al correr gms nos daría este dataframe.

Nos dice que los codes para el round 1 son los partidos con los códigos que van del 1 al 10. Aquí vemos en el resultado de teams_round:

No está mal; es una información muy útil y rápida, pero a continuación vamos a crear una función para extraerla nosotros y así extraer lo que realmente queremos y como queremos.

Cómo hacer una función propia de los Boxscore en R

Cuando era pequeño, yo era de esos niños que rompían los juguetes para ver cómo funcionaban, y con esto de los datos me pasa igual.

Buscar los Endpoints de las jornadas y sus partidos.

Lo primero, como siempre, es investigar dónde están y cuáles son los endpoints. Para ello, nos vamos a la página de la Euroleague y, desde allí, pinchamos en la pestaña Partidos. Se nos abrirá por la jornada que esté en vigor; damos al botón derecho y seleccionamos Inspeccionar.

Read more

Aviso rápido: Este contenido es solo educativo, explico el cómo; el dónde depende de que la fuente te deje (Términos, robots.txt y, en la UE, opt-out de TDM). Si no hay permiso, pasa de largo. El ejemplo es ilustrativo.

Objetivo

Por petición popular voy a explicar cómo extraer los play-by-play de ACB.

El play-by-play junto con el tracking, es la joya de la corona de los que queremos saber que pasó y cuando pasó, con que frecuencia y por qué fue importante, quien lo hizo y en que minuto. Todo eso está en estos datos esperando a que alguien les dé sentido y nos muestre algo en lo que no habíamos caído, o para vacilar a nuestro cuñao.

Lo resumo rapidamente extraer el play-by-play oficial de un partido ACB es:

• Buscar las apis,

• buscar los endpoints,

• desanidar el JSON,

• añadir metadatos del equipo local/visitante

• clasificar el tipo de jugada

• y más cosas,

Mas cosas que iremos viendo.

1. Definiciones

¿Qué es una API y para qué sirve?

Las siglas API corresponden al inglés Application Programming Interface, que se traduce como interfaz de programación de aplicaciones. Esta fórmula se refiere al conjunto de estructuras que permiten que los componentes de un software se comuniquen con otros.

Fuente: https://keepcoding.io/blog/que-es-una-api-y-para-que-sirve/)

¿Qué es un API endpoint ?

Una petición HTTP que retorna JSON. Dicho de otra forma, un endpoint es un extremo de un canal de comunicación. Cuando una API interactúa con otro sistema, los puntos de contacto de esta comunicación se consideran endpoints.

Para las APIs, un punto final puede incluir una URL de un servidor o servicio. Cada endpoint es la ubicación desde la cual las APIs pueden acceder a los recursos que necesitan para llevar a cabo su función.

Las APIs funcionan mediante “solicitudes” y “respuestas”. Cuando una API solicita información de una aplicación web o un servidor, recibirá una respuesta. El lugar donde las APIs envían solicitudes y donde vive el recurso se denomina endpoint.

Fuente: https://smartbear.com/learn/performance-monitoring/api-endpoints/

Buscando Apis y endpoints

Para empezar, necesitamos encontrar los enlaces de la API del play-by-play.

¿Cómo lo hacemos?

1. Vamos a ACB LIVE.

2. Elegimos cualquier partido (yo, por ejemplo, cogí el primero que aparece).

3. Investigamos qué enlace contiene los datos que nos interesan.

Ese será nuestro punto de partida para extraer el JSON con el play-by-play.

Read more

La pretemporada siempre es un suplicio para extraer datos. Las estadísticas de los partidos de preparación, ACB las incluye con un enlace dentro de la crónica (a veces) que, al pincharlo, nos lleva a un PDF en el mejor de los casos o a un JPG en el peor. En este contexto además nos podemos encontrar que el acta sea en el formato de la ACB, que de paso hay que decir está fenomenal, pero en muchos otros son cada uno de su padre y de su madre.

Tanto suplicio es, que yo hace algunos años lo di por imposible o inabarcable. Pero en esto apareció El Rincón del SuperManager y su farol como el superhéroe salvador y de manera altruista y artesana (a manini) decidió salvarnos a todos de esta época oscura de información o desinformación

Para pagar en parte mi deuda, voy a explicar o tratar de explicar y mecanizar, cómo convertir estos archivos del demonio en algo manejable y trabajable.

Comencemos

Lo primero es saber dónde extraer los enlaces de los partidos de pretemporada. Así que nos vamos a la página oficial de ACB

Tenemos que sacar los enlaces de los links donde pone “crónica”. Como siempre, seleccionamos las librerías y tecleamos el siguiente código:

La madre del cordero aquí es la libreria tabulapdf, si no la tienes:

# cualquiera de las dos
install.packages(”tabulapdf”)

# o
install.packages(”tabulapdf”, repos = c(”https://ropensci.r-universe.dev”, “https://cloud.r-project.org”))

Una vez que ya tenemos la librería:

library(tidyverse)
library(tabulapdf)
library(rvest)
library(janitor)


links <- “https://acb.com/es/tabla-pretemporada/2025-26” %>%
  read_html() %>% 
  html_elements(”td a”) %>% 
  html_attr(”href”) 

Esto nos da una lista de 113 enlaces como esta.

Ahora, una vez que tenemos los enlaces, creamos una función que nos devuelva un dataframe con los enlaces de descarga del archivo (si no hay, veremos NA).

 links_fn <- function(links){
df = tibble(
  enlaces = links %>% 
  read_html() %>% 
  html_element(”[itemprop=’articleBody’] a”)%>% 
  html_attr(”href”))
return(df)
}

links_df <- map_df(links, links_fn)

Vale, y aquí ya empezamos con las complicaciones: como se ve, hay archivos .pdf y archivos .jpg.

Read more

La ACB está a punto de empezar y con ella el juego del SuperManager. Todos los años las mismas dudas y todos los años buscando consejos e información porque toda ayuda es poca. Esta función que tengo aquí es una versión en R de un tutorial en YouTube que explica cómo hacerlo en Excel y que me dio la idea para hacerlo en R. Lo pego aquí porque de seguro es súper útil y quizás más fácil para los que no sean muy expertos con R.

Cómo podéis ver, el vídeo tiene más años que la tos.

Empezamos con nuestro código aprovechando el post extra del viernes donde explico cómo extraer las tablas de mercado del SuperManager y de pretemporada del Rincón del SuperManager. Así que lo pego directamente, sin más explicación.

Cargamos las librerías los logos y el caption

library(tidyverse)
library(lpSolve)
library(gt)
library(gtExtras)
library(glue)
library(gtUtils)
library(rvest)
library(xml2)
library(janitor)


clubs <- read.csv("https://raw.githubusercontent.com/IvoVillanueva/logos_cuadrados_acb/refs/heads/main/acb_df.csv") %>%
  select(abb, equipo)

twitter <- "<span style='color:#000000;font-family: \"Font Awesome 6 Brands\"'>&#xE61A;</span>"
tweetelcheff <- "<span style='font-weight:bold;'>*@elcheff*</span>"
insta <- "<span style='color:#E1306C;font-family: \"Font Awesome 6 Brands\"'>&#xE055;</span>"
instaelcheff <- "<span style='font-weight:bold;'>*@sport_iv0*</span>"
github <- "<span style='color:#000000;font-family: \"Font Awesome 6 Brands\"'>&#xF092;</span>"
githubelcheff <- "<span style='font-weight:bold;'>*IvoVillanueva*</span>"
caption <- glue("**Gráfico**: *Ivo Villanueva* • {twitter} {tweetelcheff} • {insta} {instaelcheff} • {github} {githubelcheff}")

Y ahora cargamos las funciones para unir la tabla de mercado y la tabla de pretemporada.

url <- "https://www.rincondelmanager.com/smgr/pretemporada.php" %>%
  read_html()

tabla_bandera <- tibble(
  jugador = url %>% html_elements(".jugador") %>% html_text() %>% str_squish(),
  bandera = url %>% html_elements(".jugador") %>%
    xml_find_first(".//div") %>%
    xml_attr("class")
)

#Cambio algunos nombres para el joint

tabla <- url %>%
  html_element("table") %>%
  html_table(dec = ",") %>%
  clean_names() %>%
  mutate(broker = as.numeric(str_remove(broker, "\\."))) %>%
  left_join(tabla_bandera, join_by(jugador)) %>%
  relocate(bandera, .before = eq) %>%
  mutate(jugador = case_when(
    jugador == "Otis Livingston Ii"~ "Otis Livingston",
    jugador == "Pepe Vildoza" ~"José Vildoza",
    jugador =="Jermaine Samuels Jr."~ "Jermaine Samuels",
    TRUE ~ jugador
  ))


number <- 1:3
tablas <- "https://www.acb.com/articulo/ver/523322-supermanager-acb-2526-precios-y-tablas-de-broker.html" %>%
  read_html() %>%
  html_table(fill = TRUE)


tabladf <- function(number) {
  tablas %>% .[[number]] %>%
    janitor::clean_names() %>%
    mutate(pos = number,
           nombre = paste(nombre, apellido)) %>%
    select(equipo, nombre, precio, pos)
}
tabla_df <-map_df(number, tabladf)

#En la tabla final le doy nombre a la posicion y quito los jugadores sin #puntos y quito lesionados

tabla_df <-map_df(number, tabla)
data <- tabla_df %>%
  mutate(
    precio = parse_number(str_remove(precio, "\\.")),
    pos = case_when(
      pos == 1 ~ "Base",
      pos == 2 ~ "Alero",
      TRUE ~ "Pívot"
    ),
    val = precio / 50000
  ) %>%
  fuzzyjoin::stringdist_left_join(tabla %>% select(jugador, bandera, jug = jug_2, pts, val_est),
    by = c("nombre" = "jugador")
  ) %>%
  filter(!is.na(pts) & !nombre %in% c("Jean Montero", "Theo Maledon"))

Y ahora viene la función que busca el mejor equipo con los requisitos que necesitamos. Esto lo hace la librería lpSolve. Entonces:

• Creamos una variable con el número de jugadores.

• Marcamos el objetivo en la valoración media.

num_players <- nrow(data)

objetivo <- data %>% select(val_est) %>%
  replace(is.na(.), 0) %>% pull()

Read more

Paquetes y tema

Como siempre empezamos escribimos los paquete y el tema personalizado, este es el mío y por supuesto puedes poner el de tu elección.

library(tidyverse)
library(cropcircles)
library(prismatic)
library(ggimage)
library(scales)
library(gt)
library (gtExtras)
Library (gtUtils) #para el tema savant()

theme_ivo <- function (font_size = 9) {
  theme_minimal(base_size = font_size, base_family = "Oswald") %+replace%
    theme(
      plot.background = element_rect(fill = 'white', color = "white"),
      panel.grid.minor = element_blank(),
      plot.title = element_text(hjust = 0, size = 14, face = 'bold'),
      plot.subtitle = element_text(color = 'gray65', hjust = 0, margin=margin(2.5,0,10,0), size = 11),
    )
}

gtUtils no está en CRAN , si no lo tienes descargalo aqui

remotes::install_github("andreweatherman/gtUtils")

Logos ACB

Cargamos los colores y los logos del año pasado

clubs <- read.csv("https://raw.githubusercontent.com/IvoVillanueva/logos_cuadrados_acb/refs/heads/main/acb_df.csv") %>%
  mutate(color = ifelse(abb == "RMB", "white", color))

CVS con los nobres y las fotos

En este csv están los en laces a las fotos de los jugadores entre otras muchas cosas. Es un dataframe extraido de los datos del Supermanager

valor_inicial <-  read_csv("https://raw.githubusercontent.com/IvoVillanueva/data/refs/heads/main/supermanager_csv/superManager.csv") %>%
  select(license_license_str15 = fullName, photo) %>%
  mutate(
    idfoto = str_extract(photo, "[0-9_+-]+"),
    license_license_str15 = str_squish(license_license_str15))

Partidos Granada con Silverio

Para poder analizar bien, tenemos que sacar exclusivamente los id_match (códigos de partidos) en los que jugó Silverio en Granada.

granadaCon <- pbp %>%
  select(id_match, license_licenseStr15, abb) %>%
  filter(abb == "COV" & license_licenseStr15 == "Omar Silverio") %>%
  group_by(id_match) %>%
  distinct() %>%
  pull(id_match)

Cálculo USG/TS + merge logos

Read more

Ha hecho aguas. Otro año no me pasa.

Resulta que FIBA solo deja en su web los datos de los últimos tres días. ¿Qué alguien de FIBA leyó mis gritos de triunfo en X y decidió borrarlo todo? No quiero ponerme conspiranoico... pero como dice el dicho:
“Eu non creo nas meigas, pero habelas, hainas.”

Así que nada. El año que viene, lo extraigo desde el primer día.

Como compensación, voy a explicar cómo hice la tabla de
“Jugadores con el Ratio más alto… etc”, que es de mis favoritas.

📦 1. Librerías necesarias

library(tidyverse)   # Manipulación de datos + ggplot2
library(ggimage)     # Insertar imágenes en gráficos
library(ggtext)      # Texto enriquecido en títulos y captions
library(scales)      # Formato de ejes (percent_format)
library(cropcircles) # Recortar fotos en círculos
library(prismatic)   # Ajustar colores (oscurecer/iluminar)
library(shadowtext)  # Texto con sombra en los gráficos

📝 2. Caption personalizado con iconos y créditos

twitter <- "<span style='color:#000000;font-family: \"Font Awesome 6 Brands\"'>&#xE61A;</span>"
tweetelcheff <- "<span style='font-weight:bold;'>*@elcheff*</span>"
insta <- "<span style='color:#E1306C;font-family: \"Font Awesome 6 Brands\"'>&#xE055;</span>"
instaelcheff <- "<span style='font-weight:bold;'>*@sport_iv0*</span>"
github <- "<span style='color:#000000;font-family: \"Font Awesome 6 Brands\"'>&#xF092;</span>"
githubelcheff <- "<span style='font-weight:bold;'>*IvoVillanueva*</span>"

caption <- glue::glue(
  "<br>**Datos**: *@ACBCOM* • **Gráfico**: *Ivo Villanueva* • 
  {twitter} {tweetelcheff} • {insta} {instaelcheff} • {github} {githubelcheff}"
)

🏀 3. Datos base: colores de clubes y jugadores españoles

# Colores de cada club ACB
clubs <- read.csv("https://raw.githubusercontent.com/IvoVillanueva/logos_cuadrados_acb/refs/heads/main/acb_df.csv") %>%
  select(abb , color) %>%
  mutate(color = case_when(abb == "RMB" ~ "white", TRUE ~ color))

# Jugadores españoles identificados
espanoles <- read_csv("https://raw.githubusercontent.com/IvoVillanueva/data/refs/heads/main/elflautista/espanoles.csv") %>%
  rename(jugador = jug) %>%
  distinct()

📊 4. Cálculo del USG% a partir de los boxscores de la temporada 24/25

df <- read_csv("https://raw.githubusercontent.com/IvoVillanueva/data/refs/heads/main/elflautista/boxscores_2425.csv"), show_col_types = FALSE) %>%
  group_by(id_match, abb ) %>%
  mutate(
    fga = x2pt_tried + x3pt_tried,
    team_minutes = sum(time_played, na.rm = TRUE),
    team_fga = sum(fga, na.rm = TRUE),
    team_fta = sum(x1pt_tried, na.rm = TRUE),
    team_tov = sum(turnovers, na.rm = TRUE)
  ) %>%
  ungroup() %>%
  mutate(
    usg = 100 * (fga + 0.44 * x1pt_tried + turnovers) * (team_minutes / 5) /
      (pmax(time_played, 2) * (team_fga + 0.44 * team_fta + team_tov))
  )

Si disfrutas con mis gráficas y análisis, considera suscribirte: es la mejor manera de mantener vivo este proyecto.

Read more

Suscríbete ahora

Pues estos son los problemas técnicos a los que me refería en el notes, TODO funcionaba a las mil maravillas hasta que el lunes me dispongo a comprobar el código y

¡NO FUNCIONA!

Tenía la idea de compartir una función que extrajera todos los boxscores de la web oficial de FIBA desde su API. Pero mi gozo en un pozo: no todos los partidos tienen los datos bien cargados en el JSON.

¿Cómo conseguí el enlace de la API? NI pu.. idea. He intentado volver a encontrarlo… y nada, no ha habido forma.

Así que este post, que iba a ser uno de los más grandiosos, se ha quedado en un “podría haber sido”.

Aun así, creo que vale la pena compartir lo que sí funciona: cómo extraer los boxscores que sí están bien cargados, de los partidos ya jugados del Eurobasket… antes de que desaparezcan o acabe el campeonato.

O yo qué sé.

El viernes publiqué en X cómo el código antes devolvía 543 líneas y ahora apenas 378. En fin.

Lo que sí es cierto es que la API de FIBA devuelve un JSON mugroso, que hay que organizar un poco para poder usar.

👉 Este viernes, para suscriptores de pago, enseñaré cómo extraer el Play by Play y dejarlo limpio. Porque, seamos sinceros: los datos en crudo no hay dios que los entienda ni maneje.

Vamos directamente con la función. Tiene algunos detalles un poco enrevesados, así que iré comentando dentro del código.

Perdonad mi frustración (y el cabreo) que envuelve este post… pero no lo puedo disimular.

Lo de siempre: cargamos las librerías

library(tidyverse)
library(jsonlite)
library(httr)
library(janitor)

Paso 1: Creamos una función para extraer todos los ID de los partidos

home <- read_html("https://www.fiba.basketball/en/events/fiba-eurobasket-2025")

ids_tbl <- home %>%
  html_elements("a[href*='/events/fiba-eurobasket-2025/games/']") %>%
  html_attr("href") %>%
  unique() %>%
  as_tibble() %>%
  rename(href = value) %>%
  mutate(
    id = str_match(href, "/games/(\\d+)-")[, 2], #extraemos el id
    id = suppressWarnings(as.integer(id))
  ) %>%
  pull(id) #esto selecciona la columna id y la crea sin formato

💡 Esta función extrae un total de 71 IDs, incluyendo partidos jugados y no jugados.

Paso 2: Función para extraer los boxscores

Esta función antes era más extensa (añadía más columnas y procesamiento), pero esto es lo que queda operativo:

fiba2 <- function(ids_tbl) {

  url_api <- paste0("https://www.fiba.basketball/en/events/api/game-live-info/", ids_tbl, "/detail")

  # Única descarga para mas rapidez

  cnt <- url_api %>%
    GET(query = list()) %>%
    content()

  if (rlang::is_empty(cnt$game$content$status) || cnt$game$content$status == "Unknown") {
    return(tibble())
  }
  # tibble para chequear la url

  statsPlayers <- cnt %>%
    purrr::pluck("game", "content", 1)

  # si es null devuelve un tibble vacio y si no, sigue con el siguiente     #id

  if (is.null(statsPlayers)) {
    return(tibble())
  }

  #extrae las estadísticas del pártido

  statsPlayersdf <- statsPlayers %>%
    dplyr::tibble(value = .) %>%
    unnest_wider(value, names_sep = "_") %>%
    unnest_longer(value_Children) %>%
    unnest_wider(value_Children) %>%
    unnest_wider(Stats) %>%
    select(where(~ !is.list(.)), -value_Nationality, -value_Code) %>%
    remove_empty("cols") %>%
    mutate(across(where(is.numeric), ~ replace_na(., 0))) %>%
    mutate(
      Id = as.numeric(str_extract(Id, "[0-9]+")),
      id_match = ids_tbl, .before = 1
    )


  return(statsPlayersdf) 
}


boxscoreFiba <- map_df(ids_tbl, fiba2)

#guardar en csv

write_csv(boxscoreFiba, "boxscoreFiba.csv")

Y este es el resultado a dia 9/09/2025 a las 20:30, mañana quizás haya desaparecido toda la info….

En fin, como dijo el vaquero al Gran Lebowski:
“Unas veces te comes al oso… y otras el oso te come a ti.”

Gracias por el apoyo.

Compartir

🚨 Antes de nada: aviso de vacaciones

Hola a todos,

⛱️ Estaré de vacaciones durante tres semanas, así que haré una pausa en las publicaciones hasta el 26/08. Me tomo este parón para recargar ideas y meditar un poco sobre este año y en que puedo mejorar

Mientras tanto, podéis repasar los posts más leídos últimamente:

Nos leemos a la vuelta. ¡Gracias por estar ahí!

Nos leemos a la vuelta. ¡Gracias por estar ahí!

🧰 Y ahora si: Librerías necesarias

En este post vamos a desglosar el código en R que permite extraer, analizar, crear y visualizar la estadística avanzada de Box Creation en la EuroLeague para la temporada 2024–2025.

Empezamos cargando las librerías necesarias para manipular datos, hacer scraping y formatear resultados:

library(tidyverse)   # manipulación y visualización de datos
library(rvest)       # Para hacer scraping de datos desde páginas web (HTML)
library(janitor)     # Limpieza rápida de nombres de columnas y tablas 
library(httr)        # Para hacer peticiones HTTP (GET, POST) a APIs
library(jsonlite)    # Para trabajar con datos en formato JSON 

✍️ Créditos personalizados (caption)

Preparo el caption de los enlaces a mis redes y firma personalizada:

twitter <- "<span style='color:#000000;font-family: \"Font Awesome 6 Brands\"'>&#xE61A;</span>"
tweetelcheff <- "<span style='font-weight:bold;'>*@elcheff*</span>"
insta <- "<span style='color:#E1306C;font-family: \"Font Awesome 6 Brands\"'>&#xE055;</span>"
instaelcheff <- "<span style='font-weight:bold;'>*@sport_iv0*</span>"
github <- "<span style='color:#000000;font-family: \"Font Awesome 6 Brands\"'>&#xF092;</span>"
githubelcheff <- "<span style='font-weight:bold;'>*IvoVillanueva*</span>"
caption <- glue::glue("**Datos**: *@EuroLeague*  • **Gráfico**: *Ivo Villanueva* • {twitter} {tweetelcheff} • {insta} {instaelcheff} • {github} {githubelcheff}")

📥 Descarga de estadísticas de equipo (RealGM)

Extraemos las estadísticas avanzadas de equipo desde RealGM usando rvest. Esto nos da el número de posesiones por equipo (pace), esencial para convertir los datos a valores por 100 posesiones.

También renombramos los equipos para que coincidan con los nombres oficiales:

pos <- "https://basketball.realgm.com/international/league/1/Euroleague/team-stats/2025/Advanced_Stats/Team_Totals" %>%
  read_html() %>%
  html_node("table") %>%
  html_table() %>%
  clean_names() %>%
  select(team, pace) %>%
  mutate(team = case_when(
    team == "Olympiacos" ~ "Olympiacos Piraeus",
    team == "Panathinaikos" ~ "Panathinaikos AKTOR Athens",
    team == "Anadolu Efes" ~ "Anadolu Efes Istanbul",
    team == "AS Monaco Basket" ~ "AS Monaco",
    team == "Fenerbahce Beko" ~ "Fenerbahce Beko Istanbul",
    team == "Barca" ~ "FC Barcelona",
    team == "Real Madrid" ~ "Real Madrid",
    team == "KK Partizan" ~ "Partizan Mozzart Bet Belgrade",
    team == "KK Crvena Zvezda" ~ "Crvena Zvezda Meridianbet Belgrade",
    team == "Paris Basketball" ~ "Paris Basketball",
    team == "Bayern Munich" ~ "FC Bayern Munich",
    team == "Baskonia" ~ "Baskonia Vitoria-Gasteiz",
    team == "AX Armani Exchange Milan" ~ "EA7 Emporio Armani Milan",
    team == "Zalgiris" ~ "Zalgiris Kaunas",
    team == "Maccabi FOX Tel Aviv" ~ "Maccabi Playtika Tel Aviv",
    team == "ASVEL Basket" ~ "LDLC ASVEL Villeurbanne",
    team == "Virtus Bologna" ~ "Virtus Segafredo Bologna",
    team == "ALBA Berlin" ~ "ALBA Berlin",
    TRUE ~ team
  ))

🎨 Descarga de colores y logos de equipos (API EuroLeague)

Consultamos la API oficial de EuroLeague para obtener información visual: colores, nombres y logos. Este dataframe enriquecerá la tabla final.

Aquí te enseño como 👇

Entonces una vez que tenemos el enlace de la api corremos el siguiente código

teams <- "https://feeds.incrowdsports.com/provider/euroleague-feeds/v2/competitions/E/seasons/E2025/clubs" %>% 
  httr::GET(query = list()) %>%                     # Hace una petición GET a la URL del feed de equipos EuroLeague 2025
  httr::content() %>%                               # Extrae el contenido de la respuesta en formato R
  purrr::pluck("data") %>%                          # Extrae solo el objeto 'data' dentro del JSON
  dplyr::tibble(value = .) %>%                      # Lo convierte en un tibble con una columna llamada 'value'
  tidyr::unnest_wider(value) %>%                    # Desanida la lista principal de información de cada equipo
  tidyr::unnest_wider(images, names_sep = "_") %>%  # Desanida el campo 'images', separando columnas con prefijo 'images_'
  select(team = sponsor,                            # Selecciona y renombra el nombre visible del equipo...
         color = primaryColor,                      # ...el color principal...
         alternate_color = secondaryColor)          # ...y el color alternativ

Read more

Este post forma parte de la serie exclusiva para suscriptores de pago de The Clean Shot. Hoy lo abro para todo el mundo.

Ya van 10 entregas enseñando, paso a paso, cómo hago las gráficas que ves en este boletín. Desde limpiar datos en R hasta generar visualizaciones propias con estilo, claridad y sentido.

Si alguna vez te has preguntado cómo se hacen estas gráficas o has estado dudando si merece la pena pagar, este post es para ti, por experiencia ningún curso oficial enseña esto ojalá lo hubiera pillado yo cuando empecé.

Aquí tienes el contenido tal cual lo reciben los suscriptores de pago cada semana.

Al final del post te dejo un resumen de todo lo que ya he publicado en esta serie premium, por si quieres desbloquearlo todo de golpe.. Dicho esto, comenzamos.

Suscríbete ahora

Como de costumbre cargamos las librerías

library(tidyverse)    # datos, gráficos, manipulación  
library(rvest)        # web, scraping, HTML  
library(janitor)      # limpieza, columnas, nombres  
library(nbastatR)     # NBA, datos, estadísticas  
library(cropcircles)  # imágenes, máscaras, formas  
library(ggimage)      # imágenes, plots, iconos  
library(ggrepel)      # etiquetas, no-superposición, texto  
library(ggtext)       # texto, estilos, Markdown  
library(hablar)       # tipos, limpieza, transformar  
library(extrafont)    # fuentes, texto, tipografía  

Ya sabes si no tienes alguna

# Instalar una librería (solo la primera vez)
install.packages("nombre_del_paquete")

# Ejemplo: instalar gtExtras
install.packages("gtExtras")

#pero en el caso de la libreria nbastatR
devtools::install_github("abresler/nbastatR")

Y ahora cargamos mi tema y caption customizado

#theme
theme_ivo <- function () {
  theme_minimal(base_size=9, base_family="Oswald") %+replace%
    theme(
      panel.grid.minor = element_blank(),
      plot.background = element_rect(fill = 'white', color = "white")
    )
}
#caption
twitter <- "<span style='color:#000000;font-family: \"Font Awesome 6 Brands\"'>&#xE61A;</span>"
tweetelcheff <- "<span style='font-weight:bold;'>*@elcheff*</span>"
insta <- "<span style='color:#E1306C;font-family: \"Font Awesome 6 Brands\"'>&#xE055;</span>"
instaelcheff <- "<span style='font-weight:bold;'>*@sport_iv0*</span>"
github <- "<span style='color:#000000;font-family: \"Font Awesome 6 Brands\"'>&#xF092;</span>"
githubelcheff <- "<span style='font-weight:bold;'>*IvoVillanueva*</span>"
substack <- "<img src='https://substackcdn.com/image/fetch/$s_!xBQa!,w_10,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack.com%2Fimg%2Fsubstack.png' />"
caption <- glue::glue("<br>**Datos**: *@RealGM* | **Gráfico**: *Ivo Villanueva* • {twitter} {tweetelcheff} • {insta} {instaelcheff} • {github} {githubelcheff}")

Como la base de datos de las fotos de los jugadores es muy extensa hay que decirle a vroom que use un búfer de 256 KB en lugar del valor por defecto, lo cual puede acelerar la lectura de archivos grandes.

#131072 * 2: está multiplicando 131072 (128 KB) por 2, lo que da 262144 bytes (256 KB) de búfer.
Sys.setenv("VROOM_CONNECTION_SIZE" = 131072 * 2)

Y ahora? Pues ahora vamos a cargar las fotos de los jugadores, como muchos aún no tienen la foto oficial y otros no estarán en la NBA ya las he buscado yo para poder resaltar los jugadores que nos interesan

#fotos jugadores
headshot <- nbastatR::nba_players() %>%
  select(player = namePlayer, urlPlayerHeadshot) %>%
  rbind(tibble::tribble(
    ~player, ~urlPlayerHeadshot,
    "Gabe Madsen", "https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/4432753.png&w=350&h=254",
    "Solomon Young", "https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/4066296.png&w=350&h=254",
    "David Jones", "https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/4713010.png&w=350&h=254",
    "Nique Clifford", "https://a.espncdn.com/combiner/i?img=/i/headshots/nba/players/full/4702384.png&w=350&h=254",
    "Yudai Baba", "https://www.proballers.com/media/cache/resize_600_png/https---www.proballers.com/ul/player/yudai-baba2-1ef82771-c306-6a90-a8a2-51503ad90c32.png",
    "Alex Schumacher", "https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/4712280.png&w=350&h=254",
    "Cam Carter", "https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/4898380.png&w=350&h=254",
    "Ron Holland", "https://a.espncdn.com/combiner/i?img=/i/headshots/nba/players/full/4683771.png&w=350&h=254",
    "P.J. Hall", "https://a.espncdn.com/combiner/i?img=/i/headshots/nba/players/full/4701225.png&w=350&h=254",
    "Terrence Shannon, Jr.", "https://a.espncdn.com/combiner/i?img=/i/headshots/nba/players/full/4432847.png&w=350&h=254",
    "Tristan Da Silva", "https://a.espncdn.com/combiner/i?img=/i/headshots/nba/players/full/4702382.png&w=350&h=254",
    "Walter Clayton, Jr.", "https://a.espncdn.com/combiner/i?img=/i/headshots/nba/players/full/4896372.png&w=350&h=254",
    "Kevin McCullar, Jr.", "https://a.espncdn.com/combiner/i?img=/i/headshots/nba/players/full/4411057.png&w=350&h=254",
    "Curtis Jones","https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/4898369.png&w=350&h=254",
    "Tre Johnson","https://a.espncdn.com/combiner/i?img=/i/headshots/nba/players/full/5238230.png&w=350&h=254",
    "Nae'qwan Tomlin","https://a.espncdn.com/combiner/i?img=/i/headshots/nba/players/full/5106268.png&w=350&h=254",
    "Mark Armstrong","https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/5105590.png&w=350&h=254",
    "Myron Gardner","https://ak-static.cms.nba.com/wp-content/uploads/headshots/gleague/1040x760/1642066.png",
    "Selton Miguel", "https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/4433187.png&w=350&h=254",
    "Martez Brown", "https://ak-static.cms.nba.com/wp-content/uploads/headshots/gleague/1040x760/1642558.png",
    "Boogie Ellis","https://ak-static.cms.nba.com/wp-content/uploads/headshots/gleague/1040x760/1642407.png",
    "Reyne Smith","https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/4896994.png&w=350&h=254",
    "Ja'Vier Francis","https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/4684301.png&w=350&h=254",
    "R.J. Felton", "https://a.espncdn.com/combiner/i?img=/i/headshots/mens-college-basketball/players/full/4708215.png&w=350&h=254",
    "K.J. Simpson", "https://a.espncdn.com/combiner/i?img=/i/headshots/nba/players/full/4683834.png&w=350&h=254"
  )) %>% mutate(player = str_squish(player)) #quitamos posibles espacios

A continueación vamos a ir ala pagina de Real Gm para extraer los datos de eFG% y USG% . Los datos están separados por posición entonces si queremos tener todos los jugadores tenemos que crear una función que extraiga por posición los datos.

position <- c("PG", "SG", "SF", "PF", "C")

summer <- function(position){

data <- paste0("https://basketball.realgm.com/nba/summer/1/NBA-Summer-League/59/stats/NBA/0/Advanced_Stats/All/points/", position, "/desc/1/Summer_League") %>%
  read_html() %>%
  html_element("table.table") %>%
  html_table() %>%
  clean_names() %>%
  select(player, team, e_fg_percent, usg_percent) %>%
  mutate(usg_percent = as.numeric(usg_percent), #a veces no son numeric
    pos = position) %>%
  drop_na() %>%
  filter(!e_fg_percent >1) #algunos datos vienen erroneos
}


summer_df <- map_df(position, summer)

Una vez que tenemos los datos,

Primero: vamos a crear un dataframe filtrando que el USG% sea mayor de 15%, asignamos colores a las posiciones y unimos los datos con la tabla headshot (fijate que he creado un dataframe dentro del leftjoint para ahorrar pasos

plot_summer_df <- summer_df%>%
  filter(usg_percent >= 15) %>%
  left_join(., headshot, join_by(player)) %>%
  left_join(
tibble::tribble(~pos, ~color,
    "PG", "#d66fca",
    "SG", "#e47236",
    "SF", "#4e9beb",
    "PF", "#9be373",
    "C" , "#ffc409"), join_by(pos))

Luego calculamos el tercer cuartil, o sea la cuarta parte mejor de todos los jugadores

q3_usg <- quantile(plot_summer_df$usg_percent, 0.75, na.rm = TRUE)

Filtramos por el tercer cuartil y seleccionamos los 25 mejores y les agregamos las fotografías envolviendolas en un circulo con cropcircle

# Filtrar jugadores con USG% >= Q3
top_usage_df <- plot_summer_df %>%
  filter(usg_percent >= q3_usg)

# Ordenar por eFG% y quedarnos con top 25
top25 <- top_usage_df %>%
  arrange(desc(e_fg_percent)) %>%
  slice_head(n = 25) %>%
  mutate(
  foto = crop_circle(str_squish(urlPlayerHeadshot), border_size = 8, border_colour = "black", bg_fill = color)
)

Ahora ya hacemos el plot

p <- plot_summer_df %>%
  filter(e_fg_percent < 1 & e_fg_percent > 0 & !player %in% c(top25$player)) %>% #quitamos los porcentajes de 100 y de cero
ggplot( aes(x = usg_percent, y = e_fg_percent)) +
  # Puntos para jugadores sin foto
  geom_point(
    aes(fill = color, color = "black"),
    size = 2.75,
    shape = 21,
    alpha = 0.5,
    color = "#cccccc"
  )  +
  # Fotos redondas de jugadores destacados
  geom_image(data = top25, aes(image = foto), size = .065) +
  geom_text_repel(
    data = top25,
    aes(label = player),
    size = 3.2,
    max.overlaps = Inf,
    box.padding = 0.6,
    point.padding = 0.3,
    segment.color = "#999999",
    segment.size = 0.3,
    min.segment.length = 0,
    force = 1.5,
    bg.color = "white",
    bg.r = 0.15
  ) +
  scale_y_continuous(
      limits = c(0, .9),
      breaks = seq(0, 0.9, by = 0.1),
      labels = scales::label_percent(accuracy = 1)
  )+
  labs(
    x = "Uso ofensivo (USG%)",
    y = "Eficiencia efectiva de tiro (eFG%)",
    caption = caption
  ) +
  scale_color_identity() +
  scale_fill_identity()+
  # Evitar recorte de las etiquetas fuera del área
  coord_cartesian(clip = "off") +

  # Tema visual personalizado
  theme_ivo() +
  theme(
    plot.background = element_rect(fill = "white", color = "white"),
    legend.position = "top",
    plot.caption = element_markdown(size = 7, color = "gray65", hjust = 0),
    plot.title = element_text(face = "bold",  hjust = 0.5, size = 25),
    plot.subtitle = element_text(face = "italic", hjust = 0.5,, size = 12.5),
    plot.margin = margin(b = 25, t = 0, r = 50, l = 50),
    axis.text = element_text(size = 8),
    axis.title = element_text(size = 12)
  )

Bueno como se ve falta una cosa importante, el título y el subtítulo pero me encapriché de poner la leyenda entre el título y el subtítulo, pero eso las etiquetas html necesarias markdown no nos lo permite. Le estuve dando muchas vueltas (un día) y la solución fué hacer otro plot y unir las dos gráficas con cowplot

Luego el plot simulando un título y subtítulo es como sigue:

Primero creamos un datraframe con las coordenadas de los puntos

pos_data <- data.frame(
  pos = c("PG", "SG", "SF", "PF", "C"),
  x = seq(2.85, 4.25, length.out = 5),  # centrado visual
  y = rep(0.5, 5),
  color = c("#d66fca", "#e47236", "#4e9beb", "#9be373", "#ffc409")
)

Que daría un dataframe asi que vamos a usar para el geom_point()

Primero creamos con un annotate el Titulo centrado

header_plot <- ggplot() +
  annotate(
    "text", x = 3.5, y = 1.6,
    label = "USG% vs eFG% en Summer League",
    size = 8.5, family = "Oswald", fontface = "bold", hjust = 0.5
  ) 

Luego le añadimos los puntos donde figuran las posiciones con sus colores

header_plot <- ggplot() +
  annotate(
    "text", x = 3.5, y = 1.6,
    label = "USG% vs eFG% en Summer League",
    size = 8.5, family = "Oswald", fontface = "bold", hjust = 0.5
  ) +
  geom_point(
    data = pos_data,
    aes(x = x, y = 0.8),
    shape = 21,
    size = 10.5,
    fill = pos_data$color,
    color = "black",
    stroke = .6
  ) +
  geom_text(
    data = pos_data,
    aes(x = x, y = 0.8, label = pos),
    family = "Oswald", color = "black", fontface = "bold", size = 5
  )

Y a continuación le añadimos el subtítulo con las esteticas y los ajustes de todos los elementos

header_plot <- ggplot() +
  annotate(
    "text", x = 3.5, y = 1.6,
    label = "USG% vs eFG% en Summer League",
    size = 8.5, family = "Oswald", fontface = "bold", hjust = 0.5
  ) +
  geom_point(
    data = pos_data,
    aes(x = x, y = 0.8),
    shape = 21,
    size = 10.5,
    fill = pos_data$color,
    color = "black",
    stroke = .6
  ) +
  geom_text(
    data = pos_data,
    aes(x = x, y = 0.8, label = pos),
    family = "Oswald", color = "black", fontface = "bold", size = 5
  ) +
  # Subtítulo como anotación centrada debajo de los puntos
  annotate(
    "text", x = 3.5, y = 0.25,
    label = "Solo se etiquetan los 25 mejores (Q3 en uso ofensivo)",
    size = 4.2,
    family = "Oswald",
    fontface = "italic",
    hjust = 0.5,
    color = "gray40"
  ) +
  theme_void() +
  theme(plot.background = element_rect(fill = "white", color = "white")) +
  coord_cartesian(clip = "off") +
  xlim(0, 7) + ylim(0, 2.2)

Ahora, con la función plot_grid() de la librería cowplot unimos los dos plots quitamos con NULL el título y el subtítulo esta parte es mas porque si no, ggplot nos lo pone a izda y derecha; ajustamos los parametros para que nos quede cuco

final_plot <- cowplot::plot_grid(
  header_plot,
  p + labs(title = NULL, subtitle = NULL),  # quitamos título y subtítulo 
  ncol = 1,
  rel_heights = c(0.21, 1.1)  # menos espacio entre título y gráfico
)

Y aquí está el resultado final

🔓 ¿Te ha gustado este post? Esto es solo una muestra.

Cada semana publico una entrega como esta, solo para suscriptores de pago. Ya van 9.

Aquí tienes lo que te estás perdiendo:

… y 5 más.

Suscríbete ahora

Compartir

En este post la parte mas interesante es ver como se consigue el on-off de un jugador, porque la tabla que uso es una de las tres o cuatro que ya tengo como standard; y para eso tenemos que tener previamente un dataframe con los jugadores en pista en cada momento. Aprovecharemos el dataframe que subí a google

Empezamos como siempre cargando las librerías, si no tienes las librerias:

# Instalar una librería (solo la primera vez)
install.packages("nombre_del_paquete")

# Ejemplo: instalar gtExtras
install.packages("gtExtras")

Las cargamos

library(tidyverse)   # Manipulación y visualización de datos (
library(extrafonts)  # Importar y usar todas las fuentes instaladas 
library(gt)          # Crear tablas personalizadas y presentaciones limpias
library(gtExtras)    # Extensiones visuales para gt: 

Como ya expliqué en el post del Cómo se hace: El Plot del Defensive Positive Rating (DPR) cargar el csv del googledrive, hace un poco mas laborioso el proceso, porque en lugar de un paso hay que hacerlo en 3. También, copiando el enlace y pegandolo en el buscador, podemos descargarlo en nuestro disco duro.

Read more

Empezamos cargando las librerías

library(tidyverse)   # Datos y gráficos
library(metR)        # Contornos avanzados
library(ggnewscale)  # Varias escalas de color
library(ggtext)      # Texto enriquecido
library(glue)        # Texto dinámico

Cargamos el campo de juego con medidas Fiba

devtools::source_url("https://raw.githubusercontent.com/IvoVillanueva/fibacourtsinlimits/main/6new")

Para ver como queda la canasta antes de nada usamos este pequeño código

#código para consultar zonas
cancha <- ggplot() +
  geom_path(
    data = court_points,
    aes(x = x, y = y, group = desc, linetype = dash),
    color = "black", size = .3
  )
cancha

Read more