Επιδόσεις και χαρακτηριστικά 1.602 αθλητών τένις

Στοιχεία για 1.602 αθλητές τένις σχετικά με δημογραφικά και τεχνικά χαρακτηριστικά τους, τις επιδόσεις τους και τις αμοιβές βραβείων εντός της τελευταίας 20ετίας.

Το παρακάτω σύνολο δεδομένων δημιουργήθηκε στο πλαίσιο του θέματος υπό τον τίτλο «Τι λέει η στατιστική για την καριέρα του Στέφανου Τσιτσιπά»: σκοπός ήταν η ανάλυση των δεδομένων, με την εφαρμογή απλών τεχνικών μηχανικής μάθησης και στατιστικής, για την πρόβλεψη της διαδρομής του Στέφανου Τσιτσιπά στην παγκόσμια κατάταξη εντός της επόμενης δεκαετίας.

Η συλλογή πρωτογενών στοιχείων έγινε τον Μάρτιο 2020 από την ιστοσελίδα Ultimate Tennis Statistics, η οποία φέρει Creative Commons άδεια χρήσης (CC BY-NC-SA 4.0) και βασίζεται σε ανοιχτά λογισμικά τα οποία είναι διαθέσιμα στο GitHub. 

Συγκεκριμένα, συγκεντρώσαμε τα ετήσια δεδομένα, από το 2000 ως τον Μάρτιο 2020, για την κατάταξη των αθλητών σε παγκόσμιο επίπεδο, από τις σχετικές λίστες κατάταξης της Ένωσης Επαγγελματιών Αντισφαιριστών (Association of Tennis Professionals, ATP), όπως αυτές είναι δημοσιευμένες στην ιστοσελίδα Ultimate Tennis Statistics. Στη συνέχεια, αντλήσαμε δεδομένα προφίλ, τα οποία είναι δημοσιευμένα στην ίδια ιστοσελίδα, για 3.912 μοναδικούς αθλητές τένις που περιλαμβάνονται στις εν λόγω λίστες. 

Ενδεικτικά, όπως φαίνεται από τη σελίδα για το προφίλ του Στέφανου Τσιτσιπά, τα εν λόγω «δεδομένα προφίλ» κάθε αθλητή, μεταξύ άλλων, περιλαμβάνουν πληροφορίες για την ηλικία του παίκτη, το έτος εκκίνησης επαγγελματικής σταδιοδρομίας, τις σεζόν δραστηριότητας, το «backhand» του, την αγαπημένη του αγωνιστική επιφάνεια, το ύψος των αμοιβών βραβείων που έχει εισπράξει, τους τίτλους τους οποίους έχει κερδίσει, τη διαχρονικά υψηλότερη και την ισχύουσα θέση του στην παγκόσμια κατάταξη, τη βαθμολογία του σε κλίμακα ELO κλπ.

To αρχικό σύνολο δεδομένων, που δημιουργήθηκε ως σύνθεση των παραπάνω στοιχείων, θα μπορούσε να περιγραφεί ως ένας πίνακας με n αριθμό γραμμών και p αριθμό στηλών –κάθε γραμμή, ένας αθλητής και κάθε στήλη μία μεταβλητή (χαρακτηριστικό). Υπολογίσαμε πόσες ελλείπουσες παρατηρήσεις («missing values») αντιστοιχούσαν στις γραμμές και τις στήλες αυτού του συνόλου δεδομένων (dataset) και βρήκαμε ότι, σε αρκετές περιπτώσεις γραμμών και στηλών, οι κενές τιμές αναλογούσαν σε περισσότερο από το 50% των περιεχομένων τους. Επομένως, διαγράψαμε αυτές τις γραμμές και στήλες, που δεν θα μπορούσαν να παράσχουν παρά αμελητέα πληροφορία.

Αποτέλεσμα αυτού του καθαρισμού των δεδομένων είναι το dataset, που παρατίθενται παρακάτω και στο οποίο βασίστηκε η ανάλυσή μας για την κατηγοριοποίηση των αθλητών σε ομάδες ομοιότητας («clustering»).

Τι σημαίνουν οι στήλες του dataset

• names: όνομα αθλητή
• prize_money: σύνολο αμοιβών βραβείων, σε δολάρια
• best_rank: η καλύτερη θέση που ο αθλητής έχει επιτύχει στην παγκόσμια κατάταξη
• overall_surface_pct: ποσοστό συνολικών επιτυχιών (περιλαμβάνονται όλες οι αγωνιστικές επιφάνειες)
• hard_surface_pct: ποσοστό επιτυχιών σε σκληρά γήπεδα
• clay_surface_pct: ποσοστό επιτυχιών σε χωμάτινα γήπεδα
• grass_surface_pct: ποσοστό επιτυχιών σε χορτοτάπητα
• ranksDiff1: πρώτο άλμα θέσεων στην παγκόσμια κατάταξη (διαφορά θέσεων μεταξύ δεύτερης και πρώτης αγωνιστικής σεζόν)
• ranksDiff2: δεύτερο άλμα θέσεων στην παγκόσμια κατάταξη (διαφορά θέσεων μεταξύ τρίτης και δεύτερης αγωνιστικής σεζόν)
• ranksDiff3: τρίτο άλμα θέσεων στην παγκόσμια κατάταξη (διαφορά θέσεων μεταξύ τέταρτης και τρίτης αγωνιστικής σεζόν)
• best_rank_std: προσαρμοσμένη καλύτερη θέση στην παγκόσμια κατάταξη (αναλογικά με τα χρόνια επαγγελματικής δραστηριότητας)
• age_turned_pro: ηλικία εκκίνησης επαγγελματικής δραστηριότητας
• age: ηλικία του αθλητή
• plays¹: εάν ο παίκτης είναι αριστερόχειρας ή δεξιόχειρας
• backhand²: εάν ο αθλητής κάνει «backhand» με το ένα χέρι ή με τα δύο χέρια
• favorite_surface³: είδος αγαπημένης αγωνιστικής επιφάνειας
• hard_titles_std: τίτλοι σε σκληρά γήπεδα, προσαρμοσμένοι ανάλογα με τα χρόνια εμπειρίας
• clay_titles_std: τίτλοι σε χωμάτινα γήπεδα, προσαρμοσμένοι ανάλογα με τα χρόνια εμπειρίας
• titles_std: τίτλοι που ο παίκτης έχει κατακτήσει συνολικά, προσαρμοσμένοι ανάλογα με τα χρόνια επαγγελματικής δραστηριότητας
• prize_money_std: αμοιβές βραβείων που ο αθλητής έχει εισπράξει, προσαρμοσμένες ανάλογα με τα χρόνια εμπειρίας

¹ Κωδικοποιήσεις: 1=Unknown, 2=Left-handed, 3=Right-Handed

² Κωδικοποιήσεις: 1=Unknown, 2=One-Handed, 3=Two-Handed

³ Κωδικοποιήσεις: 1=Unknown, 2=All-Rounder, 3=Carpet, 4=Clay, 5=Fast (H, G, Cp), 6=Fast (H, G), 7=Fastest (G, Cp), 8=Firm (H, Cp), 9=Grass, 10=Hard, 11=Non-Carpet, 12=Non-Grass, 13=Non-Hard, 14=None, 15=Slow (H, Cl), 16=Soft (Cl, G)

Το παρόν είναι αποτέλεσμα συνεργασίας του iMEdD Lab με την ερευνητική ομάδα AUEB Sports Analytics Group, στόχος της οποίας είναι η προαγωγή της υλοποίησης ποσοτικής ανάλυσης υψηλού επιπέδου στα σπορ, σε ακαδημαϊκό και επαγγελματικό επίπεδο. Η ομάδα εργάζεται στον τομέα των λεγόμενων «Sports Analytics», περιλαμβανομένων θεμάτων όπως η δημιουργία στατιστικών μοντέλων και η πρόβλεψη αθλητικών αποτελεσμάτων, τα οικονομικά των σπορ, η ανάλυση απόδοσης, η οπτικοποίηση και η μέτρηση της ανταγωνιστικής ισορροπίας.