Idées.txt

Chaque graphique doit être associé à une question.
 - D'où viennent les joueurs ?
 - Quelles sont les différences entre les postes ?
 - Comment se déroule un match en moyenne ?
 - Lequel de ces joueurs est le plus fort ?
 - Laquelle de ces équipes a les meilleures statistiques ?



## Idées en vrac:
 - PCA et Clustering
 - Carte du monde avec le nb de joueurs par pays. D'où viennent les joueurs ?
 - Correlation entre le taux de victoires d'une équipe et la taille moyenne des joueurs de l'équipe
 - Faire un dashboard ou on clique sur les joueurs que l'on souhaite comparer
 - Scrapper les hotzones des joueurs (ex : https://fr.global.nba.com/players/hotzones/#!/steven_adams)
 - Radar plot sur les stats d'un joueur ou d'une équipe pour comparer plusieurs joueurs/équipes

 - On a aussi des stats spécifiques à la defense => Graph score defense en fct du score attaque => Correlation négative ?
 - Positions des joueurs : https://www.nba.com/players
 - Distribution de la taille des joueurs de la nba et de la taille des hommes (dans la même tranche d'âge)




# Objectif : Analyse des differents positions
 - % de paniers à 3pts tentés en fct du poste (Dans stats players > scoring)
 - Presicion des paniers à 3pts en fonction du poste
 - Pourcentage des paniers 3PT/2PT de l'équipe réalisés par le joueur en fct du poste (Quel poste marque le plus de points en général ?)
 - Proportion de buts mis en fct de la distance (courbe décroissante). Afficher une courbe de chaque couleur par poste different (https://towardsdatascience.com/interactive-basketball-data-visualizations-with-plotly-8c6916aaa59e)
F : forward
C : center
G : guards


# Objectif : Analyse du déroulement d'un match
 - Liens à scrapper :
	- https://www.nba.com/game/chi-vs-nyk-0022100328
	- https://www.nba.com/game/chi-vs-nyk-0022100328/box-score (Trier par periodes)

 - Graphiques :
	- Points moyens par quart de match
	- Essais 3pts moyens par quart de match
	- Essais 3pts moyens match sérré vs match pas sérré
	- Essais 3pts moyen en position de domination vs en position de grosse défaite
	- Déroulement moyen d'un match : https://www.google.com/search?q=python+nba+analisis&rlz=1C1CHBF_frFR920FR920&sxsrf=AOaemvL-GByD634p_B4tjCPTKAjDbpU-bA:1638392721659&source=lnms&tbm=isch&sa=X&ved=2ahUKEwiP6bTBwMP0AhWpxoUKHawmCbgQ_AUoAnoECAEQBA&biw=1280&bih=648&dpr=1.5#imgrc=r84f4wsT0z1pAM
 - pour les timeseries calculées avec une moyenne, encadrer la courbe par des courbes de confiance (+- 1.96*std)



# Liens interressants
https://gitlab.com/jphwang/online_articles
https://towardsdatascience.com/interactive-basketball-data-visualizations-with-plotly-8c6916aaa59e
https://towardsdatascience.com/how-to-visualize-hidden-relationships-in-data-with-python-analysing-nba-assists-e480de59db50



### PREDICTIONS :
- Assigner un poste adapté à un joueur en fct de ses statistiques
- Prédire le résultat d'un match à l'avance (en prédisant un "score" à chaque équipe)
- Prédire le score final d'un match en fct du score à la mi-temps