Análise de Finalizações de Mohamed Salah
Leonardo Nogueira
2025-07-03
Resumo
Este relatório explora dados de finalizações do jogador Mohamed Salah com o objetivo de entender padrões em seu desempenho ofensivo. A análise abrange:
- Leitura e limpeza dos dados brutos;
- Exploração estatística de variáveis relevantes como tipo de chute, local da partida, resultado da finalização e assistências;
- Visualizações interativas usando
ggplot2, incluindo gráficos de dispersão, histogramas, boxplots, gráficos de linha e barras empilhadas; - Interpretações visuais sobre a eficiência, qualidade das chances (xG) e tendências ao longo do tempo.
Os dados utilizados foram obtidos de uma base contendo estatísticas detalhadas das finalizações de Salah em jogos por temporada.
Leitura e limpeza dos dados
salah_raw <- read_delim("./ShotsAnalizeSalah.csv", delim = ";", locale = locale(encoding = "latin1"))
salah_clean <- salah_raw %>%
clean_names() %>%
mutate(date = dmy_hm(date))
glimpse(salah_clean)## Rows: 1,189
## Columns: 17
## $ minute <dbl> 92, 84, 87, 0, 16, 29, 84, 54, 92, 41, 49, 63, 71, 22,…
## $ result <chr> "MissedShots", "SavedShot", "BlockedShot", "SavedShot"…
## $ x <dbl> 0.823, 0.920, 0.886, 0.964, 0.900, 0.855, 0.870, 0.885…
## $ y <dbl> 0.369, 0.532, 0.566, 0.688, 0.677, 0.474, 0.440, 0.553…
## $ x_g <dbl> 0.0623646, 0.4399380, 0.0967600, 0.0491314, 0.0603202,…
## $ player <chr> "Mohamed Salah", "Mohamed Salah", "Mohamed Salah", "Mo…
## $ h_a <chr> "h", "a", "h", "a", "a", "a", "h", "a", "a", "h", "h",…
## $ situation <chr> "OpenPlay", "OpenPlay", "OpenPlay", "OpenPlay", "OpenP…
## $ season <dbl> 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, …
## $ shot_type <chr> "LeftFoot", "LeftFoot", "LeftFoot", "LeftFoot", "LeftF…
## $ h_team <chr> "Chelsea", "Tottenham", "Fiorentina", "Sassuolo", "Sas…
## $ a_team <chr> "Swansea", "Chelsea", "Atalanta", "Fiorentina", "Fiore…
## $ h_goals <dbl> 4, 5, 3, 1, 1, 1, 1, 0, 2, 2, 2, 2, 0, 1, 1, 1, 3, 3, …
## $ a_goals <dbl> 2, 3, 2, 3, 3, 3, 1, 1, 2, 0, 0, 0, 1, 3, 3, 3, 2, 2, …
## $ date <dttm> 2014-09-13 15:00:00, 2015-01-01 17:30:00, 2015-02-08 …
## $ player_assisted <chr> "Eden Hazard", "Eden Hazard", "Mario Gomez", "David Pi…
## $ last_action <chr> "Pass", "Pass", "BallTouch", "Chipped", "Pass", "Throu…Análise exploratória
# Eficiência por tipo de chute
salah_clean %>%
group_by(shot_type) %>%
summarize(
quantidade = n(),
gols = sum(result == "Goal", na.rm = TRUE),
taxa_conversao = (gols / quantidade) * 100,
xg_medio = mean(x_g, na.rm = TRUE)
) %>%
arrange(desc(quantidade))## # A tibble: 4 × 5
## shot_type quantidade gols taxa_conversao xg_medio
## <chr> <int> <int> <dbl> <dbl>
## 1 LeftFoot 964 169 17.5 0.164
## 2 RightFoot 161 32 19.9 0.211
## 3 Head 63 10 15.9 0.170
## 4 OtherBodyPart 1 0 0 0.0964# Desempenho em casa vs fora
salah_clean %>%
group_by(h_a) %>%
summarize(
quantidade_chutes = n(),
gols = sum(result == "Goal", na.rm = TRUE),
taxa_conversao = (gols / quantidade_chutes) * 100,
xg_medio_por_chute = mean(x_g, na.rm = TRUE)
)## # A tibble: 2 × 5
## h_a quantidade_chutes gols taxa_conversao xg_medio_por_chute
## <chr> <int> <int> <dbl> <dbl>
## 1 a 517 91 17.6 0.169
## 2 h 672 120 17.9 0.172# Conversão de pênaltis
salah_clean %>%
filter(situation == "Penalty") %>%
summarize(
total_penaltis = n(),
gols_de_penalti = sum(result == "Goal", na.rm = TRUE),
taxa_conversao_penalti = (gols_de_penalti / total_penaltis) * 100
)## # A tibble: 1 × 3
## total_penaltis gols_de_penalti taxa_conversao_penalti
## <int> <int> <dbl>
## 1 37 31 83.8# xG por tipo de última ação
salah_clean %>%
group_by(last_action) %>%
summarize(
quantidade = n(),
xg_medio = mean(x_g, na.rm = TRUE)
) %>%
filter(quantidade > 10) %>%
arrange(desc(xg_medio))## # A tibble: 12 × 3
## last_action quantidade xg_medio
## <chr> <int> <dbl>
## 1 Standard 54 0.547
## 2 Throughball 46 0.337
## 3 Rebound 68 0.284
## 4 BallTouch 15 0.192
## 5 TakeOn 94 0.171
## 6 BallRecovery 30 0.156
## 7 Cross 94 0.153
## 8 HeadPass 24 0.142
## 9 Chipped 114 0.135
## 10 Pass 471 0.129
## 11 None 143 0.121
## 12 Aerial 14 0.0889Gráfico de dispersão com regressão
salah_clean <- salah_clean %>%
mutate(is_goal = ifelse(result == "Goal", "Gol", "Não Gol"))
ggplot(salah_clean, aes(x = minute, y = x_g)) +
geom_point(aes(color = is_goal), alpha = 0.6) +
geom_smooth(aes(color = is_goal), method = "lm", se = FALSE, linewidth = 1) +
scale_color_manual(values = c("Gol" = "red", "Não Gol" = "skyblue")) +
labs(
title = "Relação entre xG e Minuto do Jogo",
subtitle = "Chances mais claras resultam em mais gols, independentemente do tempo",
x = "Minuto do Jogo",
y = "Gols Esperados (xG)",
color = "Resultado"
) +
theme_minimal()
Histogramas
# Distribuição do xG por pé e local da partida
salah_clean %>%
filter(shot_type %in% c("LeftFoot", "RightFoot")) %>%
ggplot(aes(x = x_g, fill = shot_type)) +
geom_histogram(alpha = 0.7, position = "identity", binwidth = 0.1) +
scale_x_log10() +
facet_wrap(~ h_a) +
labs(
title = "Distribuição de xG por Tipo de Chute",
subtitle = "Pé esquerdo gera finalizações mais perigosas",
x = "xG (log10)",
y = "Quantidade de Chutes",
fill = "Tipo de Chute"
) +
theme_minimal()
# Distribuição de chutes por minuto da partida
rotulos_local <- c(`h` = "Jogos em Casa", `a` = "Jogos Fora")
salah_clean %>%
ggplot(aes(x = minute)) +
geom_histogram(binwidth = 5, fill = "#c41e3a", color = "white", alpha = 0.9) +
geom_vline(xintercept = 45, linetype = "dashed") +
geom_vline(xintercept = 90, linetype = "dashed") +
facet_wrap(~ h_a, labeller = as_labeller(rotulos_local)) +
labs(
title = "Distribuição de Chutes ao Longo da Partida",
subtitle = "Picos perto dos intervalos sugerem aumento de pressão",
x = "Minuto do Jogo",
y = "Quantidade de Chutes"
) +
theme_minimal()
Boxplots
salah_clean %>%
filter(result %in% c("Goal", "SavedShot", "MissedShots")) %>%
ggplot(aes(x = fct_reorder(result, x_g, .fun = median), y = x_g, fill = result)) +
geom_boxplot(show.legend = FALSE) +
coord_flip() +
labs(
title = "Distribuição de xG por Resultado do Chute",
subtitle = "Chances com maior xG resultam mais em gols",
x = "Resultado do Chute",
y = "xG"
) +
theme_minimal()
Barras empilhadas e lado a lado
# Proporção de resultados por tipo de chute
salah_clean %>%
filter(shot_type %in% c("LeftFoot", "RightFoot"),
result %in% c("Goal", "SavedShot", "BlockedShot")) %>%
ggplot(aes(x = shot_type, fill = result)) +
geom_bar(position = "fill") +
scale_y_continuous(labels = percent) +
scale_fill_brewer(palette = "Spectral") +
labs(
title = "Proporção de Resultados por Pé Utilizado",
x = "Tipo de Chute",
y = "Proporção",
fill = "Resultado"
) +
theme_minimal()
# Top 5 assistentes
top_5_assistentes <- salah_clean %>%
filter(result == "Goal", !is.na(player_assisted)) %>%
count(player_assisted, sort = TRUE) %>%
slice_max(n, n = 5)
salah_clean %>%
filter(player_assisted %in% top_5_assistentes$player_assisted,
result == "Goal") %>%
ggplot(aes(x = fct_reorder(player_assisted, player_assisted, .fun = 'length', .desc = TRUE), fill = h_a)) +
geom_bar(position = "dodge") +
coord_flip() +
labs(
title = "Top 5 Assistentes para Gols de Salah",
subtitle = "Comparando assistências em casa vs. fora",
x = "Jogador",
y = "Quantidade de Gols com Assistência",
fill = "Local da Partida"
) +
theme_minimal()
Gráfico de linha (tendência por temporada)
dados_por_temporada <- salah_clean %>%
group_by(season) %>%
summarize(
total_chutes = n(),
xg_medio = mean(x_g, na.rm = TRUE)
)
p1 <- ggplot(dados_por_temporada, aes(x = season, y = total_chutes)) +
geom_line(color = "skyblue", linewidth = 1.2) +
geom_point(color = "blue", size = 3) +
labs(title = "Volume de Chutes por Temporada", x = NULL, y = "Total de Chutes") +
theme_minimal()
p2 <- ggplot(dados_por_temporada, aes(x = season, y = xg_medio)) +
geom_line(color = "salmon", linewidth = 1.2) +
geom_point(color = "darkred", size = 3) +
labs(title = "xG Médio por Temporada", x = "Temporada", y = "xG Médio") +
theme_minimal()
p1 / p2