style: pragmatic refactor

Author: alvarosalinaso

README.md

@@ -1,42 +1,29 @@
 [![CI](https://github.com/alvarosalinaso/united-passing-efficiency-24-25/actions/workflows/ci.yml/badge.svg)](https://github.com/alvarosalinaso/united-passing-efficiency-24-25/actions/workflows/ci.yml)
 
-Proyecto: Análisis de pases — Manchester United 2024-2025
+# Manchester United 24/25: Inteligencia de Pases
 
-Descripción:
-Repositorio con datos y scripts para analizar la eficiencia de pases del Manchester United (temporada 2024-2025). Contiene un CSV con estadísticas por jugador, un reporte filtrado para mediocampistas y scripts para limpieza, análisis y visualización.
+Métricas crudas del mediocampo de Old Trafford para esta temporada. Aquí medimos quién rompe líneas de verdad (xT, pases progresivos) y quién juega a la segura inflando su precisión.
 
-Contenido principal:
-- `passing.csv`: datos de pases y estadísticas por jugador (limpio).
-- `reporte_mediocampo.csv`: reporte filtrado con métricas por jugador del mediocampo.
-- `data_load.py`, `clean_data.py`, `analyze_mediocampo.py`, `plot_pases.py`: scripts de ayuda y análisis.
-- `LICENSE`: licencia MIT.
+## Archivos clave
+- `passing.csv`: Stats puras de FBRef / StatsBomb para toda la plantilla.
+- `reporte_mediocampo.csv`: Foco quirúrgico en jugadores de la medular.
 
-Requisitos:
-- Python 3.8+
-- Instalar dependencias listadas en `requirements.txt`.
+## Setup
 
-Instalación rápida:
 ```powershell
 python -m venv .venv
 .\.venv\Scripts\activate
 pip install -r requirements.txt
 ```
 
-Uso básico:
+Para usar el core analítico rápido:
 ```python
-import pandas as pd
 from data_load import load_data
-df, report = load_data('passing.csv', 'reporte_mediocampo.csv')
+df, df_m = load_data('passing.csv', 'reporte_mediocampo.csv')
 ```
 
-Notas:
-- He unificado nombres de archivos y eliminado duplicados redundantes para facilitar el uso.
-- CI está configurado para ejecutar pruebas si están presentes en el repositorio.
+## Disclaimer
+Scripts purgados y unificados. La pipeline limpia tira directamente los datasets para que el dash en Streamlit los escupa.
 
-Licencia:
-Este proyecto se publica bajo la licencia MIT. Consulta `LICENSE`.
-
-📞 Contacto
-- **Autor**: Álvaro Salinas Ortiz
-- **LinkedIn**: https://www.linkedin.com/in/alvaro-salinas-ortiz/
-- **Email**: alvarosalinasortiz@gmail.com
+> Bajo licencia MIT. 
+> Álvaro Salinas Ortiz | alvarosalinasortiz@gmail.com

app.py

@@ -1,168 +1,83 @@
 import streamlit as st
-
-# Modulos internos (Clean Architecture)
 from src.streamlit.dashboard_data import load_streamlit_data
-from src.streamlit.dashboard_plots import (
-    graficar_ranking,
-    graficar_radar,
-    graficar_heatmap_zonas,
-    graficar_heatmap_xt,
-    graficar_red_pases,
-    graficar_evolucion
-)
-
-# ─────────────────────────────── CONFIG ───────────────────────────────
-st.set_page_config(
-    page_title="United Passing Intelligence | alvarosalinaso",
-    page_icon="🏟️",
-    layout="wide",
-    initial_sidebar_state="expanded",
-)
+from src.streamlit.dashboard_plots import graficar_ranking, graficar_radar, graficar_heatmap_zonas, graficar_heatmap_xt, graficar_red_pases, graficar_evolucion
+
+st.set_page_config(page_title="United Passing Data", page_icon="🏟️", layout="wide", initial_sidebar_state="expanded")
 
 st.markdown("""
 <style>
-@import url('https://fonts.googleapis.com/css2?family=Inter:wght@300;400;500;600;700;800&display=swap');
+@import url('https://fonts.googleapis.com/css2?family=Inter:wght@400;600;800&display=swap');
 html, body, [class*="css"] { font-family: 'Inter', sans-serif; }
-.block-container { padding: 1.5rem 2rem; }
 .stApp { background-color: #0d1117; color: #e6edf3; }
-
-/* SIDEBAR & METRICS */
-[data-testid="stSidebar"] { background: #161b22 !important; border-right: 1px solid #30363d; }
-[data-testid="metric-container"] { background: #161b22 !important; border: 1px solid #30363d; border-radius: 12px; padding: 1rem; }
+[data-testid="metric-container"] { background: #161b22 !important; border: 1px solid #30363d; border-radius: 8px; padding: 1rem; }
 [data-testid="stMetricValue"] { color: #58a6ff !important; font-weight: 800 !important; }
-[data-testid="stMetricDelta"] { font-weight: 600 !important; }
-
-/* Text & Sections */
-h1 { color: #DA291C !important; font-weight: 800 !important; letter-spacing: -1px; }
-.section-header {
-    font-weight: 800;
-    font-size: 1.8rem;
-    color: #DA291C;
-    margin-top: 3rem;
-    margin-bottom: 0.5rem;
-    border-bottom: 1px solid #30363d;
-    padding-bottom: 0.5rem;
-}
-.section-text { font-size: 1.05rem; color: #8b949e; margin-bottom: 1.5rem; line-height: 1.6; }
+.section-header { font-weight: 800; font-size: 1.8rem; color: #DA291C; margin-top: 3rem; border-bottom: 1px solid #30363d; padding-bottom: 0.5rem; }
+.section-text { font-size: 1.05rem; color: #8b949e; margin-bottom: 1.5rem; }
 </style>
 """, unsafe_allow_html=True)
 
-# ─────────────────────────────── DATA LAYER ───────────────────────────
-df, df_time, kpis = load_streamlit_data()
+df_all, df_t, k_dict = load_streamlit_data()
 
-# ─────────────────────────────── SIDEBAR ──────────────────────────────
 with st.sidebar:
-    st.markdown("""
-    <div style='text-align:center;margin-bottom:1.2rem;'>
-      <div style='font-size:3rem;'>🏟️</div>
-      <div style='font-weight:800;font-size:1.2rem;color:#DA291C;'>United Passing Intelligence</div>
-      <div style='font-size:.8rem;color:#8b949e;margin-top:.2rem;'>Temporada 2024-25 · Premier League</div>
-    </div>
-    <hr>
-    """, unsafe_allow_html=True)
-
-    st.markdown("**🎛️ Filtros Globales**")
-    sel_pos = st.selectbox("Posición Táctica", ["Todos"] + sorted(df["pos"].unique().tolist()))
-    min_apps = st.slider("Partidos Mínimos Jugados", 0, 32, 15)
-    focus_player = st.selectbox("Jugador en Foco (Radares)", ["Todos"] + df["player"].unique().tolist())
+    st.markdown("<h2 style='color:#DA291C;text-align:center;'>United Passing Stats</h2><hr>", unsafe_allow_html=True)
 
+    pos_filter = st.selectbox("Posición", ["Todos"] + sorted(df_all["pos"].unique().tolist()))
+    min_games = st.slider("Min Partidos", 0, 32, 15)
+    f_player = st.selectbox("Foco (Radar)", ["Todos"] + df_all["player"].unique().tolist())
+    
     st.markdown("---")
-    st.markdown("**⚔️ Contexto Opositor (Filtro Senior)**")
-    sel_context = st.radio("Nivel de Presión Rival", ["Resto PL", "Top 6 (Alta Presión)"], help="Audita qué jugador 'infla' sus estadísticas frente a equipos de baja tabal y quién sobrevive a la presión asfixiante de la élite de Inglaterra.")
-
+    opp_tier = st.radio("Dificultad de Partido", ["Resto PL", "Top 6"])
+    
     st.markdown("---")
-    st.markdown("**📌 Métrica de Enfoque Principal**")
-    metric_map = {
-        "xT Generado (Ameaza Esperada)": "xT_gen", "Pases Progresivos / 90": "prog_passes",
-        "Precisión de pases (%)": "pass_acc", "Índice de Verticalidad": "vert_idx",
-        "Pérdidas / 90": "losses"
-    }
-    sel_metric_label = st.selectbox("Seleccionar", list(metric_map.keys()))
-    sel_metric = metric_map[sel_metric_label]
-
-# ─────────────────────────────── FILTER ───────────────────────────────
-df_f = df.copy()
-
-# 1. Filtro Contextual (Crucial para el análisis Senior)
-target_tier = sel_context.replace(" (Alta Presión)", "")
-df_f = df_f[df_f["opponent_tier"] == target_tier]
-
-if sel_pos != "Todos":
-    df_f = df_f[df_f["pos"] == sel_pos]
-df_f = df_f[df_f["apps"] >= min_apps]
-
-# ─────────────────────────────── HERO SECTION ───────────────────────────────
-st.markdown("<h1 style='margin-bottom:0;'>⚽ Manchester United: Midfield Intelligence</h1>", unsafe_allow_html=True)
-st.markdown("<p style='font-size:1.1rem; color:#8b949e; margin-top:.2rem;'>Un análisis interactivo del comportamiento en la construcción de juego durante la temporada 2024-25. Evalúa qué mediocampistas rompen líneas, quiénes retienen la posesión, y cómo fluye el balón en Old Trafford.</p><hr>", unsafe_allow_html=True)
-
-# KPI ROW
-k1, k2, k3, k4, k5 = st.columns(5)
-k1.metric("Precisión Promedio", f"{df_f['pass_acc'].mean():.1f}%", delta=f"{df_f['pass_acc'].mean() - 87.0:+.1f}% vs liga")
-k2.metric("Prog. Passes / 90", f"{df_f['prog_passes'].mean():.1f}", delta=f"{df_f['prog_passes'].mean() - 3.8:+.1f} vs avg")
-k3.metric("xT Promedio / 90", f"{df_f['xT_gen'].mean():.3f}", delta="+2.1% vs prev")
-avg_vert = df_f['vert_idx'].mean()
-k4.metric("Índice Vertical", f"{avg_vert:.2f}", delta=f"{'↑ alto' if avg_vert > 0.65 else '↓ bajo'}")
-total_losses = df_f["losses"].mean()
-k5.metric("Pérdidas / 90", f"{total_losses:.1f}", delta=f"{-(total_losses - 2.1):+.1f} vs prev", delta_color="inverse")
-
-st.info("💡 **Metodología Avanzada:** El **xT (Expected Threat)** cuantifica cuánto aumenta la probabilidad de que el United anote un gol producto directo de la zona a la que el jugador envía el pase. El **Índice de Verticalidad** castiga los pases horizontales de seguridad, premiando a los jugadores que asumen riesgos hacia el área rival.")
-
-# ─────────────────────────────── SECCIÓN 1 ───────────────────────────────
-st.markdown("<div class='section-header'>1. Rankings y Perfiles Multidimensionales 📊</div>", unsafe_allow_html=True)
-st.markdown("<div class='section-text'>Todo análisis comienza aislando a los líderes estadísticos. Compara lado a lado cómo la plantilla rinde en la métrica seleccionada en el menú lateral, y evalúa el polígono de rendimiento completo del jugador en foco frente al resto de sus compañeros.</div>", unsafe_allow_html=True)
-
-col_l, col_r = st.columns([3, 2])
-with col_l:
-    df_rank = df_f.sort_values(sel_metric, ascending=(sel_metric == "losses"))
-    st.plotly_chart(graficar_ranking(df_rank, sel_metric, sel_metric_label), use_container_width=True)
-
-with col_r:
-    st.plotly_chart(graficar_radar(df_f, focus_player), use_container_width=True)
-
-with st.expander("Ver tabla completa de datos consolidados"):
-    display_cols = {"player": "Jugador", "pos": "Pos.", "apps": "PJ", "pass_acc": "Precisión %", "prog_passes": "Prog/90", "key_passes": "Claves/90", "vert_idx": "Verticalidad", "xT_gen": "xT generado", "xA": "xA", "losses": "Pérdidas/90"}
-    df_disp = df_f[list(display_cols.keys())].rename(columns=display_cols).round(2)
-    if not df_disp.empty:
-        cols_numericas = df_disp.select_dtypes(include=['number']).columns.tolist()
-        try:
-            styled_df = df_disp.style.background_gradient(cmap='viridis', subset=cols_numericas if cols_numericas else None).format(precision=2)
-            st.dataframe(styled_df, use_container_width=True, hide_index=True)
-        except ValueError:
-            st.dataframe(df_disp, use_container_width=True, hide_index=True)
-
-# ─────────────────────────────── SECCIÓN 2 ───────────────────────────────
-st.markdown("<div class='section-header'>2. Radiografía Táctica Funcional 🔥</div>", unsafe_allow_html=True)
-st.markdown("<div class='section-text'>El fútbol no se juega en una hoja de Excel, sino en el césped. Aisla a un jugador para observar empíricamente en qué zonas específicas del campo ejecuta sus entregas de balón (izquierda) y en qué cuadrantes genera el mayor grado de amenaza xT contra el arco rival (derecha).</div>", unsafe_allow_html=True)
-
-col_sel, _ = st.columns([2, 5])
-hm_player = col_sel.selectbox("Filtrar jugador para los mapas de calor tácticos", df_f["player"].unique().tolist(), key="hm_player")
-player_row = df_f[df_f["player"] == hm_player].iloc[0]
+    m_map = {"xT Generado": "xT_gen", "Pases Prog": "prog_passes", "Precisión": "pass_acc", "Verticalidad": "vert_idx", "Pérdidas": "losses"}
+    target_stat = st.selectbox("Métrica Foco", list(m_map.keys()))
+    sel_var = m_map[target_stat]
+
+# filtro core
+cur_val = opp_tier.replace("Top 6", "Top 6")
+df_work = df_all[df_all["opponent_tier"] == cur_val].copy()
+
+if pos_filter != "Todos": df_work = df_work[df_work["pos"] == pos_filter]
+df_work = df_work[df_work["apps"] >= min_games]
+
+st.title("⚽ United: Foco en la Medular")
+st.markdown("Métricas transaccionales del mediocampo actual. Análisis duro sin fanatismos.")
+
+c1, c2, c3, c4, c5 = st.columns(5)
+c1.metric("Acc%", f"{df_work['pass_acc'].mean():.1f}%")
+c2.metric("ProgP/90", f"{df_work['prog_passes'].mean():.1f}")
+c3.metric("xT/90", f"{df_work['xT_gen'].mean():.3f}")
+c4.metric("Índice Vert", f"{df_work['vert_idx'].mean():.2f}")
+c5.metric("Pérdidas/90", f"{df_work['losses'].mean():.1f}", delta_color="inverse")
+
+st.markdown("<div class='section-header'>1. Leaderboards</div>", unsafe_allow_html=True)
+ca, cb = st.columns([3, 2])
+with ca:
+    r_df = df_work.sort_values(sel_var, ascending=(sel_var == "losses"))
+    st.plotly_chart(graficar_ranking(r_df, sel_var, target_stat), use_container_width=True)
+with cb: st.plotly_chart(graficar_radar(df_work, f_player), use_container_width=True)
+
+with st.expander("Tabla Raw"):
+    cols = {"player": "Jugador", "pos": "Pos", "apps": "PJ", "pass_acc": "Acc%", "prog_passes": "Prog/90", "vert_idx": "Vert", "xT_gen": "xT", "losses": "Pérdidas"}
+    disp = df_work[list(cols.keys())].rename(columns=cols).round(2)
+    st.dataframe(disp.style.background_gradient(cmap='viridis', subset=disp.select_dtypes('number').columns).format(precision=2), use_container_width=True, hide_index=True)
+
+st.markdown("<div class='section-header'>2. Zonas de Amenaza (xT)</div>", unsafe_allow_html=True)
+p_sel = st.selectbox("Jugador para heatmap táctico", df_work["player"].unique().tolist())
+p_row = df_work[df_work["player"] == p_sel].iloc[0]
 
 h1, h2 = st.columns(2)
-with h1:
-    st.plotly_chart(graficar_heatmap_zonas(player_row), use_container_width=True)
-with h2:
-    st.plotly_chart(graficar_heatmap_xt(player_row), use_container_width=True)
-
-# ─────────────────────────────── SECCIÓN 3 ───────────────────────────────
-st.markdown("<div class='section-header'>3. Red de Asociaciones en el Campo 🕸️</div>", unsafe_allow_html=True)
-st.markdown("<div class='section-text'>La fortaleza de un mediocampo radica en sus triángulos de asociación. Observa el flujo microscópico de la pelota entre nuestras figuras. <b>El grosor del cable</b> señala el colosal volumen de pases exitosos completados entre ambos jugadores. <b>El tamaño del nodo</b> de cada jugador simboliza su contribución directa de xT en cada toque.</div>", unsafe_allow_html=True)
-
-st.plotly_chart(graficar_red_pases(df), use_container_width=True)
-
-# ─────────────────────────────── SECCIÓN 4 ───────────────────────────────
-st.markdown("<div class='section-header'>4. Consistencia y Evolución a lo largo de la Premier League 📈</div>", unsafe_allow_html=True)
-st.markdown("<div class='section-text'>Incluso las mayores estrellas sufren caídas de rendimiento. Compara a tus jugadores favoritos a lo largo de todos los partidos de la temporada usando una <b>Media Móvil de 5 Jornadas</b> que purga el ruido y clarifica la genuina curva de forma de los jugadores. Selecciona libremente qué métrica temporal contrastar.</div>", unsafe_allow_html=True)
-
-ec1, ec2, _ = st.columns([2, 2, 6])
-with ec1:
-    players_evo = st.multiselect("Vincular jugadores a comparar", df_f["player"].tolist(), default=df_f["player"].tolist()[:2], key="evo_players")
-with ec2:
-    mevo_label = st.selectbox("Seleccionar Métrica a medir", ["Precisión %", "Pases prog/90", "xT generado"], key="metric_evo")
-    
-mevo_col = {"Precisión %": "pass_acc", "Pases prog/90": "prog_passes", "xT generado": "xT_gen"}[mevo_label]
+with h1: st.plotly_chart(graficar_heatmap_zonas(p_row), use_container_width=True)
+with h2: st.plotly_chart(graficar_heatmap_xt(p_row), use_container_width=True)
+
+st.markdown("<div class='section-header'>3. Red de Flujo</div>", unsafe_allow_html=True)
+st.plotly_chart(graficar_red_pases(df_all), use_container_width=True)
+
+st.markdown("<div class='section-header'>4. Tracking Estacional</div>", unsafe_allow_html=True)
+tr_c1, tr_c2 = st.columns([1,1])
+with tr_c1: p_track = st.multiselect("Benchmark jugadores", df_work["player"].tolist(), default=df_work["player"].tolist()[:2])
+with tr_c2: m_track_lb = st.selectbox("Benchmark Métrica", ["Precisión", "Pases Prog", "xT generado"])
 
-if players_evo:
-    st.plotly_chart(graficar_evolucion(df_time, df_f, players_evo, mevo_col, mevo_label), use_container_width=True)
-else:
-    st.warning("Selecciona al menos un jugador para graficar su curva de evolución.")
+m_track_col = {"Precisión": "pass_acc", "Pases Prog": "prog_passes", "xT generado": "xT_gen"}[m_track_lb]
+if p_track: st.plotly_chart(graficar_evolucion(df_t, df_work, p_track, m_track_col, m_track_lb), use_container_width=True)
+else: st.warning("Mete a alguien para trazar la curva.")