L'evoluzione del gioco del basket

Per avviare l'applicazione dal proprio computer basta clonare il repository e scrivere nel terminale:

uv run streamlit run "1_📄_Pagina principale.py"

Lo scopo di questo progetto è presentare come si è evoluto il gioco del basket nel corso del tempo. Al suo interno l'utente ha la possibilità di selezionare tra 4 pagine:

1. La prima pagina descrive i passaggi chiave che hanno portato al modo di giocare odierno, partendo dal 1979-80 (introduzione della linea da 3) ad oggi. Vengono individuati quei giocatori, allenatori e dirigenti che più di tutti hanno modificato per sempre l'approccio al gioco; le affermazioni sono ben supportate dai dati.

2. La seconda pagina contiene un'analisi con le componenti principali, un adattamento di un modello logit binomiale e la spiegazione del paradosso di Simpson. Tutto ciò è puramente statistico, ma allo stesso tempo interessante per le conclusioni a cui si giunge.

3. La terza pagina è un piccolo database dei giocatori. Selezionando vari parametri si possono trovare le informazioni cercate. In base al volume di tiri considerato, viene prodotto poi:

   • per un volume di tiri basso (inferiore a 5 tiri per zona di tiro) viene prodotta una heatmap, ovvero una mappa del campo che evidenzia o meno le zone in cui il giocatore ha preso quei tiri;
   • per un volume di tiri elevato viene mostrata la metà campo con 100 esagoni centrati nelle zone di tiro, grandi quanto il volume specifico di tiri effettuati in tale zona e colorati secondo la differenza tra percentuale di realizzazione del giocatore e percentuale di realizzazione della lega.

   I due grafici si possono ottenere selezionando rispettivamente:

   • Marco Belinelli, stagione 2013-2014, Playoff
   • Marco Belinelli, tutta la carriera, Regular Season

   In una zona specifica, con meno di 5 tiri a disposizione, non ha molto senso analizzare la percentuale di realizzazione: per effetto del caso, un giocatore che tira con il 40 % potrebbe registrare 3 tiri segnati su 4, dando un impressione sbagliata della sua efficienza realizzativa.

4. La quarta pagina fornisce le informazioni principali sulle 30 attuali franchigie NBA. Vi è inoltre una sezione apposita per tracciare il rendimento
   di ciascuna squadra nelle varie stagioni e confrontare i valori registrati delle metriche principali tra squadre diverse.

Le prime due pagine sono delle vere e proprie analisi, mentre le ultime due vogliono mimare dei piccoli database. Così facendo, l'utente può ottenere tutte le informazioni che desidera, sia per farsi un'idea generale sul mondo dell'nba ma anche per verificare quanto viene affermato nelle prime due pagine.

Nulla di tutto ciò sarebbe stato possibile senza l'NBA API (documentazione ufficiale). Questa API permette di ottenere i dati richiesti direttamente dal sito ufficiale dell'NBA. Nell'esecuzione del programma, quando vi è un eccesso di chiamate in un breve intervallo di tempo l'API smette di restituire i risultati e dà errore. Questo succede abbastanza spesso; serve aspettare qualche minuto e riaggiornare la pagina.

Per evitare le troppe chiamate all'API, i dati necessari al funzionamento delle prime due pagine si trovano nella cartella data. Le procedure per ottenere tali dati sono riportate nel codice dentro a dei blocchi indentati sotto a "if False:" (in questo modo tale blocco non viene eseguito). Ho agito in questa maniera poichè Streamlit scrive sull'applicazione qualsiasi blocco compreso tra due triple virgolette; l'unica altra possibile soluzione è quella di aggiungere "#" all'inizio di ogni riga.

Le altre due pagine non mostrano sempre gli stessi dati/grafici, per cui per funzionare si basano esclusivamente sulle chiamate all'API. Purtroppo alcune statistiche non sono disponibili perchè la lega nel passato non raccoglieva tanti dati quanto oggi.

Oltre all'API, altri strumenti utili sono:

• documentazione MPL Court: libreria grafica per python che permette di disegnare punti su campi da basket
• Chat GPT: questo Large Language Model non ha bisogno di presentazioni. Mi ha evitato la lettura di lunghe documentazioni quando dovevo utilizzare moduli/librerie a me non note. In generale risolve la maggior parte dei problemi
• NBA court matplotlib: spiega come disegnare una metà campo da basket tramite gli strumenti di matplotlib

Dati e informazioni varie sono stati presi da:

• Thinking Basketball - YT Channel: Thinking Basketball si distingue per la sua capacità di esaminare il gioco da una prospettiva più intellettuale e dettagliata, spesso andando oltre le statistiche tradizionali per analizzare aspetti come la lettura del gioco, l’intelligenza cestistica e l’impatto complessivo di un giocatore su una partita. Il canale offre anche contenuti su leggende del basket, confronti tra giocatori storici e attuali, e riflessioni sullo sviluppo e l’evoluzione del gioco nel corso degli anni
• Basketball on paper - Dean Oliver (2004): questo libro è stato uno dei primi testi a promuovere decisioni e analisi data-driven nel mondo del basket