Felizmente, existe um repositório no GitHub chamado caRtola, no qual toda a parte de obtenção e tratamento dos dados do jogo já foi realizada. (Ribeiro, 2019)
Entre no nosso servidor do Discord para trocar experiências sobre projetos e do uso de estatísticas no Cartola FC.
Você encontra os dados raw do Cartola FC desde 2014 na pasta data/01_raw.
Estamos preparando um pipeline para agregar os dados de todos os anos em um único arquivo. Então, fique atento no repositório!
Estes são alguns tutoriais que escrevemos. Contribuições são sempre bem vindas!
- Como ler todos os arquivos das rodadas deste repositório com Python?
- Seleção automática de jogadores feita com Markov Chain e programação linear
- Média global ou média com mando de campo? O que usar para escalar seus jogadores
- Algoritmo de valorização dos Jogadores do Cartola PFC
- Estudo sobre algoritmo de valorizaço dos jogadores do Cartola, parte I
- Estudo sobre algoritmo de valorizaço dos jogadores do Cartola, parte II
- Parte I - Analisando os atacantes do primeiro turno com Affinity Propagation
- Parte II - Quais meias escalar: Defensivos ou ofensivos?
- Parte III - Analisando jogadores de defesa com Affinity Propagation
- Como montar defesas no Cartola usando regressão de Poisson?
Criamos um jogo de cartas com base nos dados (em VueJS). Detalhe: também é de código-aberto!
ContribuiçõesO repositório caRtola é totalmente aberto a novas contribuições. Quer ajudar a gente, mas não sabe como? A gente te dá algumas ideias:
- Você já fez alguma análise estatística do Cartola FC que acha legal e gostaria de compartilhar aqui?
- Você também tem um modelo preditivo para tentar prever os melhores jogadores?
- Ou simplesmente você viu um erro nos nossos dados/análises?
Sinta-se à vontade para submeter um Pull Request ou abrir uma issue! Nós vamos adorar ter isso no caRtola! ✌️
- Marchesini, L. Cartola FC - Saiba como a pandemia pode influenciar os times mandantes 2020.
-
E. Mota, D. Coimbra, and M. Peixoto, “Cartola FC Data Analysis: A simulation, analysis, and visualization tool based on Cartola FC Fantasy Game,” in Proceedings of the XIV Brazilian Symposium on Information Systems, Caxias do Sul, Brazil, Jun. 2018, pp. 1–8, doi: 10.1145/3229345.3229366.
-
L. E. da S. Ribeiro, “Predição de escalações para o jogo CartolaFC utilizando aprendizado de máquina e otimização,” Prediction of escalations for CartolaFC fantasy game using machine learning and optimization, Jul. 2019, Accessed: Jul. 23, 2020. [Online]. Available: https://repositorio.ufu.br/handle/123456789/26681.
-
E. F. Vernier, R. Garcia, I. P. da Silva, J. L. D. Comba, and A. C. Telea, “Quantitative Evaluation of Time-Dependent Multidimensional Projection Techniques,” arXiv:2002.07481 [cs], Feb. 2020, Accessed: Jul. 23, 2020. [Online]. Available: http://arxiv.org/abs/2002.07481.
-
BARBOSA, D. A. C. Should he stay or should he go? head coaches turnover in brazilian football 2014-2019. Rio de Janeiro: Pontifícia Universidade Católica do Rio de Janeiro, 2020.
Está faltando o seu? Envie para gente e colocamos aqui.
Por favor, cite-nos.
H. Gomide e A. Gualberto, CaRtola: Extração de dados da API do CartolaFC, análise exploratória dos dados e modelos preditivos em R e Python. https://github.com/henriquepgomide/caRtola/. 2022.
@book{
title={CaRtola: Extração de dados da API do CartolaFC, análise exploratória dos dados e modelos preditivos em R e Python},
url={https://github.com/henriquepgomide/caRtola},
abstractNote={Extração de dados da API do CartolaFC, análise exploratória dos dados e modelos preditivos em R e Python},
author={Gomide, Henrique and Gualberto, Arnaldo},
year={2022}
}
- Os dados de 2014 e 2015 foram obtidos do repositório CartolaFCDados
- Os dados dos times são extraídos do site da CBF.
👤 Henrique Gomide:
👤 Arnaldo Gualberto:
In Memoriam de Mário Guilherme (Von Marius)