FIFA 23 Dataset | Anselmo Xavier

Descrição do Projeto

Aplicação interativa desenvolvida com Streamlit para exploração do dataset FIFA 23, contendo estatísticas de +17 mil jogadores. O usuário pode selecionar times e jogadores para visualizar métricas detalhadas como overall, pace, shooting, passing e valor de mercado.

Os dados foram obtidos do Kaggle (FIFA Player Stats Database) e o projeto demonstra habilidades em manipulação de dados com Pandas, construção de dashboards interativos e deployment de aplicações web com Streamlit.

Arquitetura da Aplicação

┌──────────────────────┐
│       Kaggle         │
│  FIFA Player Stats   │
│  Database (CSV)      │
└──────────┬───────────┘
           │ pandas.read_csv()
           ▼
┌──────────────────────┐
│   Processamento      │
│  · Pandas DataFrame  │
│  · Limpeza de dados  │
│  · Filtros e seleção │
└──────────┬───────────┘
           │
           ▼
┌──────────────────────┐
│     Streamlit App    │
│  · Seleção de Time   │
│  · Seleção Jogador   │
│  · Métricas e Cards  │
│  · Interface Web     │
└──────────────────────┘

Fluxo da Aplicação

Carregamento: Pandas carrega o CSV do Kaggle com dados de todos os jogadores
Seleção de Time: Dropdown com todos os clubes disponíveis no dataset
Seleção de Jogador: Filtro dinâmico que mostra apenas jogadores do time escolhido
Visualização: Cards com métricas do jogador (overall, pace, shooting, passing, dribbling, value)

Stack Tecnológica

Linguagem & Bibliotecas

Python 3.8+
Pandas — manipulação de dados
Streamlit — framework web

Fonte de Dados

Kaggle — FIFA Player Stats DB
Formato CSV
17 mil+ registros

Interface

Streamlit — app web interativo
Dropdowns dinâmicos
Métricas em cards visuais

Métricas Exibidas

Overall Rating
Pace · Shooting · Passing
Dribbling · Defending
Valor de Mercado

Funcionalidades

Seleção de Time

Dropdown com todos os clubes carregados dinamicamente do dataset.

Seleção de Jogador

Filtro reativo que atualiza conforme o time escolhido, exibindo apenas jogadores do clube.

Cards de Estatísticas

Métricas visuais individuais para cada atributo do jogador selecionado.

Interface Responsiva

Layout adaptável do Streamlit que funciona em qualquer dispositivo.

Exemplo de Código

Carregamento e Interface

import streamlit as st
import pandas as pd

# Configuração da página
st.set_page_config(
    page_title="FIFA 23 Dataset",
    page_icon="⚽",
    layout="wide"
)

st.title("FIFA 2023 — Player Stats")

# Carregar dataset do Kaggle
df = pd.read_csv("fifa_player_stats.csv", sep=';')

# Seleção de time
clubes = sorted(df['Club'].unique())
clube = st.selectbox("Selecione um time:", clubes)

# Filtrar jogadores do time
jogadores_time = df[df['Club'] == clube]
jogador = st.selectbox("Selecione um jogador:", jogadores_time['Name'])

# Exibir estatísticas
player = jogadores_time[jogadores_time['Name'] == jogador].iloc[0]

col1, col2, col3, col4 = st.columns(4)
col1.metric("Overall", player['Overall'])
col2.metric("Pace", player['Pace'])
col3.metric("Shooting", player['Shooting'])
col4.metric("Passing", player['Passing'])

Como Executar

# Clonar repositório
git clone https://github.com/anselmoaxo/dataset-fifa23.git

# Instalar dependências
pip install -r requirements.txt

# Executar aplicação
streamlit run app.py

Desafios e Soluções

1. Dataset com encoding variável

Desafio: CSV do Kaggle com separador ponto-e-vírgula e encoding não-UTF8.

Solução: Configuração de encoding e separador na leitura com Pandas para carregamento correto.

2. Filtros reativos com Streamlit

Desafio: Sincronizar dropdown de jogador conforme o time selecionado.

Solução: Uso do estado reativo do Streamlit com filtro encadeado no DataFrame.

3. Performance com dataset grande

Desafio: +17 mil registros com múltiplas colunas podem deixar a interface lenta.

Solução: Filtragem antecipada no DataFrame e cache do Streamlit para operações repetitivas.

Resultados

17k+

Jogadores no Dataset

700+

Times Disponíveis

MIT

Licença Open Source

Entregáveis

Aplicação Streamlit funcional com interface interativa e responsiva
Dataset FIFA 23 processado e pronto para consultas analíticas
Filtros dinâmicos de time e jogador com atualização em tempo real
Código documentado e preparado para contribuições da comunidade

Aprendizados

Construção de dashboards interativos com Streamlit de forma rápida e eficiente
Manipulação de datasets do Kaggle com Pandas — leitura, limpeza e filtros
Uso de componentes reativos do Streamlit para filtros encadeados
Tratamento de encoding e formatos de arquivo em dados reais do Kaggle