ESAME FONDAMENTI.Rmd

---
title: "Analisi della MLS DA 2000 A 2022"
author: "WILLY DJANGANG"
date: "2024-01-28"
output: html_document 

---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

## R Markdown

This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see <http://rmarkdown.rstudio.com>.

When you click the **Knit** button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:

```{r}

library(ggplot2)
library(ggplotify)
library(plotly)
library(extrafont)
library(tidyverse)
library(ggimage)
library(magick)
library(gridGraphics)
library(curl)
library(ggthemes)
library(gapminder)
library(httr)
```

## Including Plots

You can also embed plots, for example:

```{r}
 "Evoluzione del Numero di Partecipanti nelle Stagioni della MLS"
mls_standings <- read.csv("W:/FONDAMENTI DEI DATI/mls standings/mls_standings.csv")
View(mls_standings)


numero_squadre_per_stagionel <- mls_standings %>%
  group_by(Season) %>%
  summarize(NumeroSquadre = n_distinct(Team))

barplot_squadre_per_stagionel <- ggplot(numero_squadre_per_stagionel, aes(x = Season, y = NumeroSquadre, fill = Season)) +
  geom_bar(stat = "identity") +
  labs(title = "Andamento del Numero di Squadre per Stagione nella Major League Soccer (MLS)",
       x = "Stagione", y = "Numero di Squadre") +
   theme_fivethirtyeight()

# Visualizza il barplot
print(barplot_squadre_per_stagionel)
```





```{r}

# Calcola il coefficiente di correlazione di Pearson

library(tidyverse)
numero_squadre_per_stagionel <- mls_standings %>%
  group_by(Season) %>%
  summarize(NumeroSquadre = n_distinct(Team))

correlazione <- cor(numero_squadre_per_stagionel$Season, numero_squadre_per_stagionel$NumeroSquadre)

# Visualizza il grafico di dispersione o a linee
 # Filtra i NA nel dataframe
#numero_squadre_per_stagione <- numero_squadre_per_stagionel[complete.cases(numero_squadre_per_stagione), ]

numero_squadre_per_stagioneo <- na.omit(numero_squadre_per_stagionel)

# Calcola il coefficiente di correlazione di Pearson
correlazione <- cor(numero_squadre_per_stagionel$Season, numero_squadre_per_stagionel$NumeroSquadre, use = "complete.obs")

# Visualizza il grafico di dispersione o a linee
 REGRESSIONE_STAGIONE_TEAM = ggplot(numero_squadre_per_stagionel, aes(x = Season, y = NumeroSquadre)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE) +
  labs(title = "Correlazione tra Stagione e Numero di Squadre",
       x = "Stagione", y = "Numero di Squadre") +
  theme_minimal()

# Stampa il coefficiente di correlazione
 t = print(paste("Coefficiente di correlazione di Pearson:", round(correlazione, 3)))
 
 
 
# Calcola il coefficiente di correlazione di Pearson
#correlazione <- cor(numero_squadre_per_stagione$Season, numero_squadre_per_stagione$NumeroSquadre)

# Visualizza il grafico di dispersione o a linee
 # Filtra i NA nel dataframe
#numero_squadre_per_stagionel <- numero_squadre_per_stagione[complete.cases(numero_squadre_per_stagione), ]

# Calcola il coefficiente di correlazione di Pearson
correlazionel <- cor(numero_squadre_per_stagioneo$Season, numero_squadre_per_stagioneo$NumeroSquadre, use = "complete.obs")

# Visualizza il grafico di dispersione o a linee
 REGRESSIONE_STAGIONE_TEAMlo = ggplot(numero_squadre_per_stagioneo, aes(x = Season, y = NumeroSquadre)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE) +
  labs(title = "Correlazione tra Stagione e Numero di Squadre",
       x = "Stagione", y = "Numero di Squadre") +
  theme_minimal()

# Stampa il coefficiente di correlazione
 t = print(paste("Coefficiente di correlazione di Pearson:", round(correlazionel, 3)))
 
 
```



```{r}
# Supponendo che tu abbia una variabile di regressione chiamata 'Season' nel tuo dataset
modello_reg <- lm(NumeroSquadre ~ Season, data = numero_squadre_per_stagioneo)


# Crea un dataframe con le stagioni desiderate
predizioni_df <- data.frame(Season = c(2025, 2026,2027))

# Prevedi il numero di squadre usando il modello
predizioni_df$NumeroSquadre_Predette <- predict(modello_reg, newdata = predizioni_df)

# Visualizza le predizioni
print(predizioni_df)
```

Note that the `echo = FALSE` parameter was added to the code chunk to prevent printing of the R code that generated the plot.



```{r}
#Seleziona le colonne rilevanti da mls_st
mls_s =  numero_squadre_per_stagionel <- mls_standings %>%
  group_by(Season) %>%
  summarize(NumeroSquadre = n_distinct(Team))

dati_clusteringl <- numero_squadre_per_stagioneo[, c("Season", "NumeroSquadre")]



# Utilizza il k-means clustering
set.seed(123)  # Per rendere i risultati riproducibili
kmeans_modelc <- kmeans(dati_clusteringl, centers = 3)  # Specifica il numero di cluster desiderati

set.seed(123)  # Per rendere i risultati riproducibili
kmeans_modelco <- kmeans(mls_s, centers = 3)  # Specifica il numero di cluster desiderati

# Aggiungi le informazioni di clustering al dataframe originale
dati_clusteringl$Cluster <- as.factor(kmeans_modelc$cluster)

# Visualizza il risultato del clustering
cluster_STAGIONElo <- ggplot(dati_clusteringl, aes(x = Season, y = NumeroSquadre, color = Cluster)) +
  geom_point() +
  geom_text(aes(label = as.character(Season)), vjust = -0.5, position = position_dodge(0.9), size = 3) +
  labs(title = "Clustering delle Stagioni in Base al Numero di Squadre",
       x = "Stagione", y = "Numero di Squadre") +
  theme_fivethirtyeight()
cluster_STAGIONElo
```


```{r}

library(highcharter)

# Seleziona le tuple con stagione da 2000 a 2008
subset_2000_2008p <- filter(mls_standings, Season >= 2000 & Season <= 2008)
#subset_2000_2008pl <- filter(mls_standings, Season <= 2000 & Season <= 2008)

# Seleziona le tuple con stagione da 2009 a 2016
subset_2009_2016p <- filter(mls_standings, Season >= 2009 & Season <= 2016)

#SUBS <- mls_standings %>%
  # filter(mls_standings$Team == "MIA")

# Seleziona le tuple con stagione da 2017 a 2020
subset_2017_2022p <- filter(mls_standings, Season >= 2017 & Season <= 2022)

observ = mls_standings %>%
  ggplot(aes(x = Team,
             y = Pts,
             size = W,
             color = GF))+
  geom_point()+
  facet_wrap(mls_standings$Season)+
  labs(title = "Andamendo delle squadre basati dui punti gruppati dai cluster annni",
       x = "Punti di Ogni Team",
       y = "Squadra")



highchart_chart_2000_2008p <- highchart() %>%
  hc_chart(type = "scatter") %>%
  hc_title(text = "Andamento delle squadre 2000-2008") %>%
  hc_xAxis(categories = subset_2000_2008p$Team) %>%
  hc_yAxis(title = list(text = "Punti di ogni Team")) %>%
  hc_add_series(
    data = subset_2000_2008p,
    hcaes(x = Team, y = Pts, size = W, color = GF),
    type = "scatter",
    name = "Punti"
  ) %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Punti: {point.y}<br>Stagione: {point.Season}<br>Posizione: {point.Pos}  <br>GOAL SEGNATI: {point.GF} <br>Partite vinte: {point.W}')

# Creare e visualizzare i grafici
observe1p <- subset_2000_2008p %>%
  ggplot(aes(x = Team, y = Pts, size = W, color = GF)) +
  geom_point() +
  labs(title = "Andamento delle squadre 2000-2008",
       x = "Punti di ogni Team",
       y = "Squadra") +
  scale_color_gradient2_tableau() +
  theme_fivethirtyeight()




observe2p <- subset_2009_2016p %>%
  ggplot(aes(x = Team, y = Pts, size = W, color = GF)) +
  geom_point() +
  labs(title = "Andamento delle squadre 2009-2016",
       x = "Punti di ogni Team",
       y = "Squadra") +
  scale_color_gradient2_tableau() +
  theme_fivethirtyeight()

# Convertire il grafico ggplot in highchart
highchart_chart_2009_2016p <- highchart() %>%
  hc_chart(type = "scatter") %>%
  hc_title(text = "Andamento delle squadre 2000-2008") %>%
  hc_xAxis(categories = subset_2009_2016p$Team) %>%
  hc_yAxis(title = list(text = "Punti di ogni Team")) %>%
  hc_add_series(
    data = subset_2009_2016p,
    hcaes(x = Team, y = Pts, size = W, color = GF),
    type = "scatter",
    name = "Punti"
  ) %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Punti: {point.y}<br>Stagione: {point.Season}<br>Città: {point.city} <br>Partite vinte: {point.W}') %>%
  hc_legend(enabled = TRUE) %>%
  hc_credits(enabled = TRUE, text = 'Crediti: @wildjang') %>%
  hc_theme(theme = "darkunica") 



library(plotly)

observe2pp <- subset_2009_2016p %>%
  plot_ly(x = ~Team, y = ~Pts, size = ~W, color = ~GF, text = ~paste("Stagione: ", Season, "<br>Squadra: ", Team, "<br> Partita vinta  ", W)) %>%
  add_markers() %>%
  layout(
    title = "Andamento delle squadre 2009-2016",
    xaxis = list(title = "Punti di ogni Team"),
    yaxis = list(title = "Squadra"),
    showlegend = FALSE
  )



# Convertire il grafico ggplot in highchart
highchart_chart_2009_2016p <- highchart() %>%
  hc_chart(type = "scatter") %>%
  hc_title(text = "Andamento delle squadre 2009-2016") %>%
  hc_xAxis(categories = subset_2009_2016p$Team) %>%
  hc_yAxis(title = list(text = "Punti di ogni Team")) %>%
  hc_add_series(
    data = subset_2009_2016p,
    hcaes(x = Team, y = Pts, size = W, color = GF),
    type = "scatter",
    name = "Punti"
  ) %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Punti: {point.y}<br>Stagione: {point.Season}<br>Città: {point.city} <br>Partite vinte: {point.W}') %>%
  hc_legend(enabled = TRUE) %>%
  hc_credits(enabled = TRUE, text = 'Crediti: @wildjang') %>%
  hc_theme(theme = "darkunica") 



library(plotly)

observe2pp <- subset_2009_2016p %>%
  plot_ly(x = ~Team, y = ~Pts, size = ~W, color = ~GF, text = ~paste("Stagione: ", Season, "<br>Squadra: ", Team, "<br> Partita vinta  ", W)) %>%
  add_markers() %>%
  layout(
    title = "Andamento delle squadre 2009-2016",
    xaxis = list(title = "Punti di ogni Team"),
    yaxis = list(title = "Squadra"),
    showlegend = FALSE
  )

library(readxl)
 mls_mod <- read_excel("W:/FONDAMENTI DEI DATI/mls mod.xlsx")
 View(mls_mod)



observe3p <- subset_2017_2022p %>%
  ggplot(aes(x = Team, y = Pts, size = W, color = GF)) +
  geom_point() +
  labs(title = "Andamento delle squadre 2017-2022",
       x = "Punti di ogni Team",
       y = "Squadra") +
  #scale_color_gradient2(colors = rainbow(10)) 
  scale_color_gradient2_tableau()+
  theme_minimal()


# Convertire il grafico ggplot in highchart
highchart_chart_2017_2022 <- highchart() %>%
  hc_chart(type = "scatter") %>%
  hc_title(text = "Andamento delle squadre 2017-2022") %>%
  hc_xAxis(categories = subset_2017_2022p$Team) %>%
  hc_yAxis(title = list(text = "Punti di ogni Team")) %>%
  hc_add_series(
    data = subset_2017_2022p,
    hcaes(x = Team, y = Pts, size = W, color = GF),
    type = "scatter",
    name = "Punti"
  ) %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Punti: {point.y}<br>Stagione: {point.Season}<br>Città: {point.city}') %>%
  hc_legend(enabled = TRUE) %>%
  hc_credits(enabled = TRUE, text = 'Crediti: @wildjang') %>%
  hc_theme(theme = "darkunica") 


# Sommario riassuntivo delle squadre
library(tidyverse)

summary_datalp <- mls_standings %>%
  group_by(Team, Season) %>%
  summarise(
    MediaPunti = mean(Pts),
    MediaPosizione = mean(Pos),
    MediaPartiteVinte = mean(W),
    MediaGoalSegnati = mean(GF)
    # Aggiungi altre colonne se necessario
  ) %>%
  group_by(Team) %>%
  summarise(
    MediaPunti = mean(MediaPunti),
    MediaPosizione = mean(MediaPosizione),
    MediaPartiteVinte = mean(MediaPartiteVinte),
    MediaGoalSegnati = mean(MediaGoalSegnati)
    # Aggiungi altre colonne se necessario
  )

# Calcola il numero di volte che ogni squadra ha trascorso nella MLS
#volte_ml <- table(mls_stt$Team)

# Calcola il numero di volte che ogni squadra ha trascorso nella MLS
volte_mls <- table(mls_standings$Team)

# Creare la colonna VolteMLS in summary_data
summary_datalp <- left_join(summary_datalp, data.frame(Team = names(volte_mls), VolteMLS = as.numeric(volte_mls)), by = "Team")


# Funzione per calcolare la media basata sul numero di volte
media1 <- function(x, weights) {
  sum(x * weights) / sum(weights)
}

# Seleziona le colonne di interesse
colonne_interesse <- c("Pts", "Pos", "W", "GF")

summary_datalolp <- mls_standings %>%
  group_by(Team, Season) %>%
  summarise(across(all_of(colonne_interesse), mean)) %>%
  group_by(Team) %>%
  summarise(
    Pts = max(Pts),  # Calcola il massimo per la colonna "Pts"
     Season_max_Pts = Season[which.max(Pts)],  # Aggiungi la colonna "Season" corrispondente al massimo punteggio
    across(all_of(colonne_interesse[-which(colonne_interesse == "Pts")]), ~ media1(., length(unique(Season)))),
    VolteMLS = sum(length(unique(Season)))  # Somma totale delle partecipazioni
  )



mls_st <- merge(mls_standings, mls_mod, by = "Team", all.x = TRUE, all.y = TRUE)
mls_st <- na.omit(mls_st)


# Funzione per calcolare la media basata sul numero di volte
media1 <- function(x, weights) {
  sum(x * weights) / sum(weights)
}

# Seleziona le colonne di interesse
colonne_interesse <- c("Pts", "Pos", "W", "GF")

# Applica la funzione media1 alle colonne di interesse
summary_datalo <- mls_st %>%
  group_by(Team, Season) %>%
  summarise(across(all_of(colonne_interesse), mean)) %>%
  group_by(Team) %>%
  summarise(
    across(all_of(colonne_interesse), ~ media1(., length(unique(Season)))),
    VolteMLS = sum(length(unique(Season)))  # Somma totale delle partecipazioni
  )

library(ggplot2)

# Creazione del grafico a barre    da modificare 
grafico_riassuntivo <- ggplot(summary_datalo, aes(x = Team, y = Pts)) +
  geom_bar(stat = "identity", fill = "skyblue", width = 0.7) +
  labs(title = "Riassunto Punti Massimi per Squadra",
       x = "Squadra",
       y = "Punteggio Massimo") +
  geom_text(aes(label = GF), vjust = -0.5) +  # Aggiunge le etichette dei valori sopra le barre
  theme_minimal()  # Scegli un tema di sfondo per il grafico

# Visualizzazione del grafico
print(grafico_riassuntivo)

grafico_riassuntivol <- ggplot(summary_datalolp, aes(x = Team, y = Pts, size = VolteMLS, color = as.factor(Season_max_Pts))) +
  geom_point(alpha = 0.4) +
  labs(title = "Riassunto Punti Massimi per Squadra",
       x = "Squadra",
       y = "Punteggio Massimo",
       size = "Partite Vinte Totali") +
  scale_size_continuous(range = c(5, 15)) +  # Imposta la scala per la size delle palline
  theme_minimal() +  # Scegli un tema di sfondo per il grafico
  theme(axis.text.x = element_text(angle = 45, hjust = 1))  # Ruota le etichette sull'asse x per una migliore leggibilità

# Visualizzazione del grafico


grafico_summary_datalopp <- ggplot(summary_datalolp, aes(x = Team, y = Pts, size = W, color = Season_max_Pts)) +
  geom_point() +
  facet_wrap(~Season_max_Pts, scales = "free_y", ncol = 1) +  # Utilizza scales = "free_y" per facilitare la visualizzazione
  labs(title = "Andamento delle Squadre") +
  scale_color_gradient(low = "blue", high = "red") +  # Personalizza la scala dei colori
  scale_size_continuous(range = c(3, 10)) +  # Personalizza la scala delle dimensioni
  theme_minimal() 


library(gganimate)
library(transformr)
library(gifski)

# Funzione per creare l'animazione
crea_animazione <- function(subset_df, titolo) {
  anim <- ggplot(subset_df, aes(x = Pts, y = GF, color = Team, label = Team)) +
    geom_point() +
    geom_text(aes(label = Team), hjust = 1.2, vjust = 1.2, size = 3) +  # Aggiungi etichette di testo per i nomi delle squadre
    labs(title = titolo,
         x = "Punti",
         y = "Goal Segnati") +
    transition_states(Season, transition_length = 2, state_length = 1) +
    enter_fade() +
    exit_fade() +
    ease_aes('linear') +
    shadow_mark()  # Aggiungi un frame per visualizzare la stagione corrente

  return(anim)
}


# Suddividi il dataframe in base agli intervalli di stagioni
subset_2000_2008 <- subset(mls_stt, Season >= 2000 & Season <= 2008)
subset_2009_2016 <- subset(mls_stt, Season >= 2009 & Season <= 2016)
subset_2017_2020 <- subset(mls_stt, Season >= 2017 & Season <= 2020)

# Crea le animazioni per ciascun subset
animazione_2000_2008 <- crea_animazione(subset_2000_2008, "2000-2008")
animazione_2009_2016 <- crea_animazione(subset_2009_2016, "2009-2016")
animazione_2017_2020 <- crea_animazione(subset_2017_2020, "2017-2020")




# Aggiungi una colonna di classifica basata su Pts e GF
mls_stt$Rank <- ave(mls_stt$Pts + mls_stt$GF, mls_stt$Season, FUN = rank, decreasing = TRUE)

# Seleziona le prime 5 squadre di ciascun periodo
top5_2000_2008 <- subset(mls_stt, Season >= 2000 & Season <= 2008 & Rank <= 5)
top5_2009_2016 <- subset(mls_stt, Season >= 2009 & Season <= 2016 & Rank <= 5)
top5_2017_2020 <- subset(mls_stt, Season >= 2017 & Season <= 2020 & Rank <= 5)
```
Si nota che all'andamento del tempo la difficolta di stare tramite i primi/ essere campioni è dura perché da 2000 a 2008 abbiamo 

```{r}
# Combina i dataframe delle prime 5 squadre di ciascun periodo
top5_df <- rbind(top5_2000_2008, top5_2009_2016, top5_2017_2020)

library(viridis)
# Crea l'animazione includendo un'indicazione visuale per le prime 5 squadre di ciascun periodo
animazione_totalelp <- ggplot(top5_df, aes(x = MediaPunti, y = MediaPartiteVinte, size = Pos, fill = Pos, label = Team)) +
  geom_point(shape = 21, color = "black", stroke = 0.5) +  # shape 21 include un bordo
  geom_text(aes(label = Team), hjust = 1.2, vjust = 1.2, size = 3, color = "black") +
  # Punti rossi per le prime 5 squadre
  labs(title = "Andamento delle Squadre",
       x = "Punti",
       y = "Goal Segnati") +
  scale_size_continuous(range = c(3, 10)) +  # Imposta la scala delle dimensioni dei punti
  scale_fill_continuous(type = "viridis") +  # Puoi utilizzare diversi tipi di scale di colore
  transition_states(Season, transition_length = 2, state_length = 1) +
  enter_fade() +
  exit_fade() +
  ease_aes('linear') +
  shadow_mark()

# Visualizza l'animazione
animazione_totalelp


library(ggtext)

mls_stt_media <- mls_stt %>%
  group_by(Season) %>%
  summarise(
    MediaPunti = mean(Pts),
    MediaPosizione = mean(Pos),
    MediaPartiteVinte = mean(W)
  )

# Unisci le medie al dataset originale
mls_stt <- left_join(mls_stt, mls_stt_media, by = "Season")

top5l_2000_2008 <- subset(mls_stt, Season >= 2000 & Season <= 2008 & Pos <= 5)
top5l_2009_2016 <- subset(mls_stt, Season >= 2009 & Season <= 2016 & Pos <= 5)
top5l_2017_2022 <- subset(mls_stt, Season >= 2017 & Season <= 2022 & Pos <= 5)

# Combina i dataframe delle prime 5 squadre di ciascun periodo
top5l_df <- rbind(top5l_2000_2008, top5l_2009_2016, top5l_2017_2020)

# venire qua   # da rivedere  pagina 1229
library(RColorBrewer)
custom1 = viridis::plasma(n = 42)
pop =  top5l_2000_2008 %>%
      hchart('pie', hcaes(x = city, y = Pos, color = custom1 , label = Season)) %>%
      hc_tooltip(pointFormat = '<b> Proportion: </b> {point.percentage:,.2f}%') %>%
      hc_title(text = "Most WINNERS", style = list(fontSize = '15px', fontWeight = 'bold')) %>%
      hc_legend(enabled = TRUE, text = '@wildjang')

library(ggplot2)
library(ggtext)
library(ggplotify)
library(ggrepel)
library(av)

graficol <- ggplot(top5l_df, aes(x = MediaPunti, y = Rank, fill = Season, label = Team)) +
  geom_point() +
  geom_text_repel(data = top5l_df, aes(label = Team), size = 3, box.padding = 0.5, force = 4, segment.color = "grey50") +
  labs(title = "Andamento delle Squadre",
       x = "Media Punti",
       y = "Rank") +
  transition_states(Season, transition_length = 2, state_length = 1) +
  enter_fade() +
  exit_fade() +
  ease_aes('linear') +
  #scale_color_manual(values = rainbow(length(unique(top5l_df$Season)))) +
  shadow_mark()
graficol



# Carica le librerie necessarie
library(dplyr)
library(ggplot2)

# Unisci i due dataset in base alla colonna "Team"
merged_data <- inner_join(mls_standings, summary_datalolp, by = "Team")

# Aggrega i dati per ottenere l'elenco delle squadre vincitrici di ogni stagione

vincitori_per_stagionep <- merged_data %>%
  group_by(Season) %>%
  slice(which.max(Pts.x)) %>%
  select(Season, Team, Pts.y) %>%
  arrange(Season)


library(viridis)
library(highcharter)
custom <- viridis::mako(n = 23)

po =  vincitori_per_stagionep %>%
      hchart('pie', hcaes(x = Team, y = Pts.y, color = custom )) %>%
      hc_tooltip(pointFormat = '<b> Proportion: </b> {point.percentage:,.2f}%') %>%
      hc_title(text = "Most WINNERS", style = list(fontSize = '15px', fontWeight = 'bold')) %>%
      hc_legend(enabled = TRUE, text = '@wildjang')




library(ggplot2)
library(ggthemes)


# Unisci i due dataset in base alla colonna "Team"
merged_data <- inner_join(mls_standings, summary_datalolp, by = "Team")

opo <- ggplot(merged_data %>% filter(Pos.x == 1), aes(x = reorder(Team, -Pts.x), fill = as.factor(Season))) +
  geom_bar(stat = "count") +
  geom_text(stat = "count", aes(label = ifelse(rank(-Pts.x, ties.method = "first") == 1, as.character(Season), "")),
            position = position_stack(vjust = 0.5), size = 3) +
  scale_fill_manual(values = rainbow(length(1:23))) +
  labs(title = "Andamento delle squadre di vertice nella MLS",
       x = "Squadra",
       y = "Numero di volte in prima posizione") +
  theme_fivethirtyeight()


# Carica il pacchetto
library(viridis)

# Crea il grafico con una scala di colori più grande (viridis)
opop <- ggplot(merged_data %>% filter(Pos.x == 1), aes(x = reorder(Team, -Pts.x), fill = as.factor(Season))) +
  geom_bar(stat = "count") +
  geom_text(stat = "count", aes(label = ifelse(rank(-Pts.x, ties.method = "first") == 1, as.character(Season), "")),
            position = position_stack(vjust = 0.5), size = 3) +
  scale_fill_viridis(discrete = TRUE) +  # Utilizza la scala di colori viridis
  labs(title = "Andamento delle squadre di vertice nella MLS",
       x = "Squadra",
       y = "Numero di volte in prima posizione") +
  theme_fivethirtyeight()


# Filtra le squadre che sono apparse nelle prime posizioni per un numero significativo di volte
soglia_significativa <- 1 # Personalizza la soglia a tuo piacimento
nuove_forze_dominanti <- merged_data %>%
  filter(Pos.x %in% c(1:5)) %>%
  group_by(Season, Team) %>%
  summarize(Numero_di_volte = n()) %>%
  filter(Numero_di_volte >= soglia_significativa)

# Visualizza le nuove squadre dominanti nel corso degli anni
print(nuove_forze_dominanti)




  
# Identifica le squadre di espansione (sostituisci con i nomi delle squadre di espansione effettive)
squadre_espansione <- c("ATL", "ATX", "CIN", "HOU", "LAFC", "MIA", "MIN", "NSH", "NYC", "ORL", "PHI", "POR", "RSL", "SEA", "VAN", "TOR")

# Filtra il dataframe per le squadre di espansione
subs_espansione <- mls_standings %>% filter(Team %in% squadre_espansione)

# Filtra il dataframe per le squadre di espansione
subs_espansionel <- mls_st %>% filter(Team %in% squadre_espansione)

# Analizza le performance
analisi_performance <- subs_espansione %>%
  mutate(Espansione = ifelse(Team %in% squadre_espansione, "Espansione", "Non Espansione")) %>%
  group_by(Espansione) %>%
  summarise(
    Media_Pts = mean(Pts),
    Media_Posizione = mean(Pos),
    Media_Partite_Vinte = mean(W)
    # Aggiungi altre colonne se necessario
  )




 library(ggvis)
 
 mls_stp = mls_stt %>%
   group_by(city) %>%
   ggvis(~city, ~Pts, fill = ~city) %>%
   ggvis::layer_boxplots()
 
 
 
 ```{r}
library(dplyr)

# Calcola la media per ogni squadra nelle colonne Pts, PPG e W
subset_2000_2008pl <- subset_2000_2008p %>%
  group_by(Team) %>%
  summarise(
    Media_Pts = mean(Pts),
    Media_PPG = mean(PPG),
    Media_W = mean(W),
    Media_GF = mean(GF)
  )

# Calcola il rango basato sulla media dei punti
subset_2000_2008plL <- subset_2000_2008pl %>%
  arrange(desc(Media_Pts)) %>%
  mutate(Rank = row_number())

# Seleziona le prime 5 squadre per ogni stagione in base al rango
top5_2000_2008pl <- subset_2000_2008plL %>%
  filter(Rank <= 5)

library(dplyr)

# Calcola il massimo dei punti e la stagione corrispondente per ogni squadra
max_pts_season <- subset_2000_2008p %>%
  group_by(Team) %>%
  summarise(
    Max_Pts = max(Pts),
    Season_Max_Pts = Season[which.max(Pts)]
  )

# Uniscilo con il dataframe top5_2000_2008
top5_2000_2008m <- top5_2000_2008pl %>%
  left_join(max_pts_season, by = "Team")

# Visualizza il risultato
print(top5_2000_2008m)
```



```{r}
library(dplyr)

# Calcola la media per ogni squadra nelle colonne Pts, PPG e W
subset_2009_2016pl <- subset_2009_2016p %>%
  group_by(Team) %>%
  summarise(
    Media_Pts = mean(Pts),
    Media_PPG = mean(PPG),
    Media_W = mean(W),
    Media_GF = mean(GF)
  )

# Calcola il rango basato sulla media dei punti
subset_2009_2016plL <- subset_2009_2016pl %>%
  arrange(desc(Media_Pts)) %>%
  mutate(Rank = row_number())

# Seleziona le prime 5 squadre per ogni stagione in base al rango
top5_2009_2016pl <- subset_2009_2016plL %>%
  filter(Rank <= 5)

# Calcola il massimo dei punti e la stagione corrispondente per ogni squadra
max_pts_season_09_16 <- subset_2009_2016p %>%
  group_by(Team) %>%
  summarise(
    Max_Pts = max(Pts),
    Season_Max_Pts = Season[which.max(Pts)]
  )

# Uniscilo con il dataframe top5_2000_2008
top5_2009_2016m <- top5_2009_2016pl %>%
  left_join(max_pts_season_09_16, by = "Team")

# Visualizza il risultato
print(top5_2009_2016m)
```


```{r}
library(dplyr)

# Calcola la media per ogni squadra nelle colonne Pts, PPG e W
subset_2017_2022pl <- subset_2017_2022p %>%
  group_by(Team) %>%
  summarise(
    Media_Pts = mean(Pts),
    Media_PPG = mean(PPG),
    Media_W = mean(W),
    Media_GF = mean(GF)
  )

# Calcola il rango basato sulla media dei punti
subset_2017_2022plL <- subset_2017_2022pl %>%
  arrange(desc(Media_Pts)) %>%
  mutate(Rank = row_number())

# Seleziona le prime 5 squadre per ogni stagione in base al rango
top5_2017_2022pl <- subset_2017_2022plL %>%
  filter(Rank <= 5)

# Calcola il massimo dei punti e la stagione corrispondente per ogni squadra
max_pts_season_17_22 <- subset_2017_2022p %>%
  group_by(Team) %>%
  summarise(
    Max_Pts = max(Pts),
    Season_Max_Pts = Season[which.max(Pts)]
  )

# Uniscilo con il dataframe top5_2000_2008
top5_2017_2022m <- top5_2017_2022pl %>%
  left_join(max_pts_season_17_22, by = "Team")

# Visualizza il risultato
print(top5_2017_2022m)
```


```{r}
library(plotly)

# Converti la colonna Season_Max_Pts in un fattore per ordinare correttamente sull'asse x
top5_2000_2008m$Season_Max_Pts <- factor(top5_2000_2008m$Season_Max_Pts, levels = unique(top5_2000_2008m$Season_Max_Pts))

# Creazione del grafico interattivo
plot1 <- plot_ly(top5_2000_2008m, x = ~Team, y = ~Media_Pts, type = 'scatter', mode = 'markers',
                text = ~paste("Season_Max_Pts: ", Season_Max_Pts, "<br>Rango: ", Rank, "<br>Punto max: ", Max_Pts, "<br> Media_GF: ", Media_GF),
                marker = list(size = ~Media_GF, color = ~Max_Pts, colorscale = 'Viridis')) %>%
  layout(title = "Top 5 Squadre (2000-2008)",
         xaxis = list(title = "Stagione Max Pts"),
         yaxis = list(title = "Media Punti"),
         hovermode = "closest") 


library(plotly)

# Creazione del grafico interattivo
plot1l <- plot_ly(top5_2000_2008m, x = ~Team, y = ~Media_Pts, type = 'scatter', mode = 'markers',
                text = ~paste("Season_Max_Pts: ", Season_Max_Pts, "<br>Rango: ", Rank, "<br>Punto max: ", Max_Pts, "<br> Media_GF: ", Media_GF),
                marker = list(size = ~Media_GF, color = ~Max_Pts, colorscale = 'Viridis')) %>%
  layout(title = "Top 5 Squadre (2000-2008)",
         xaxis = list(title = "Stagione Max Pts"),
         yaxis = list(title = "Media Punti"),
         hovermode = "closest",
         template = "plotly_dark")  # Usa 'plotly_dark' come tema di default

# Aggiungi colori personalizzati all'arcobaleno
plot1l$marker$colorbar$len <- 0.5
plot1l$marker$colorbar$lenmode <- "fraction"
plot1l$marker$colorbar$title <- "Max_Pts"
plot1l$marker$colorbar$tickvals <- c(1, 2, 3, 4, 5)  # Aggiungi i valori desiderati
plot1l$marker$colorbar$ticktext <- c("Minimo", "", "", "", "Massimo")  # Etichette personalizzate

# Visualizza il grafico
plot1l



library(highcharter)
library(highr)
# Creazione del grafico interattivo direttamente con la sintassi di Highcharter
highchart_plot1 <- plot_ly(top5_2000_2008m, x = ~Team, y = ~Media_Pts, type = 'scatter', mode = 'markers',
                           text = ~paste("Season_Max_Pts: ", Season_Max_Pts, "<br>Rango: ", Rank, "<br>Punto max: ", Max_Pts, "<br> Media_GF: ", Media_GF),
                           marker = list(size = ~Media_GF, color = ~Max_Pts, colorscale = 'Viridis')) %>%
  layout(title = "Top 5 Squadre (2000-2008)",
         xaxis = list(title = "Stagione Max Pts"),
         yaxis = list(title = "Media Punti"),
         hovermode = "closest") 
# Visualizzazione del grafico Highcharter
highchart_plot1


# Creazione del grafico interattivo direttamente con la sintassi di Highcharter
highchart_plot2 <- plot_ly(top5_2009_2016m, x = ~Team, y = ~Media_Pts, type = 'scatter', mode = 'markers',
                           text = ~paste("Season_Max_Pts: ", Season_Max_Pts, "<br>Rango: ", Rank, "<br>Punto max: ", Max_Pts, "<br> Media_GF: ", Media_GF),
                           marker = list(size = ~Media_GF, color = ~Max_Pts, colorscale = 'Viridis')) %>%
  layout(title = "Top 5 Squadre (2000-2008)",
         xaxis = list(title = "Stagione Max Pts"),
         yaxis = list(title = "Media Punti"),
         hovermode = "closest") 
# Visualizzazione del grafico Highcharter
highchart_plot2

# Creazione del grafico interattivo direttamente con la sintassi di Highcharter
highchart_plot3 <- plot_ly(top5_2017_2022m, x = ~Team, y = ~Media_Pts, type = 'scatter', mode = 'markers',
                           text = ~paste("Season_Max_Pts: ", Season_Max_Pts, "<br>Rango: ", Rank, "<br>Punto max: ", Max_Pts, "<br> Media_GF: ", Media_GF),
                           marker = list(size = ~Media_GF, color = ~Max_Pts, colorscale = 'Viridis')) %>%
  layout(title = "Top 5 Squadre (2000-2008)",
         xaxis = list(title = "Stagione Max Pts"),
         yaxis = list(title = "Media Punti"),
         hovermode = "closest") 
# Visualizzazione del grafico Highcharter
highchart_plot3

library(highcharter)

# Visualizzazione dei grafici Highcharter insieme
highcharter::hcarrange(highchart_plot1, highchart_plot2, highchart_plot3, nrow = 1)



# Visualizzazione dei grafici Highcharter insieme
par(mfrow=c(1,3))
highchart_plot1
highchart_plot2
highchart_plot3
```


```{r}
library(ggplot2)
library(tidyverse)
library(ggthemes)


# Creazione del grafico con i vincitori di ogni stagione
winners_plot <- mls_stt %>%
  group_by(Season) %>%
  filter(Pos == 1) %>%
  ggplot(aes(x = Season, y = as.factor(Team))) +
  geom_text(aes(label = Team), vjust = -0.5, size = 3) +
  labs(title = "Vincitori della MLS per stagione",
       x = "Stagione",
       y = "Squadra") +
  theme_fivethirtyeight()

# Creazione del grafico con i tre team con più titoli
top3_teams_plot <- bind_rows(
  subset_2000_2008p,
  subset_2009_2016p,
  subset_2017_2022p
) %>%
  group_by(Team) %>%
  summarise(Titoli = n_distinct(Rank == 1)) %>%
  top_n(3, Titoli) %>%
  ggplot(aes(x = reorder(Team, -Titoli), y = Titoli, fill = Team)) +
  geom_bar(stat = "identity") +
  labs(title = "I tre team con più titoli nella MLS",
       x = "Squadra",
       y = "Numero di Titoli") +
  theme_fivethirtyeight()

# Visualizzazione dei grafici
winners_plot
top3_teams_plot
```


```{r}

library(dplyr)
library(ggplot2)

# Creazione della colonna Rank
mls_stt <- mls_standings %>%
  group_by(Season) %>%
  mutate(Rank = rank(desc(Pts)))

# Creazione del grafico con la colonna Rank
rank_plot <- mls_stt %>%
  ggplot(aes(x = Season, y = Rank, color = Team)) +
  geom_point(size = 3) +
  labs(title = "Posizione delle squadre in base ai punti",
       x = "Stagione",
       y = "Rank") +
  theme_minimal()

# Creazione del grafico con la colonna Rank
rank_plotl <- mls_standings %>%
  ggplot(aes(x = Season, y = Pos, color = Team)) +
  geom_point(size = 3) +
  labs(title = "Posizione delle squadre in base ai punti",
       x = "Stagione",
       y = "Rank") +
  theme_minimal()

# Visualizzazione del grafico
rank_plot




```
```{r}
library(tidyverse)
library(ggplot2)
library(ggthemes)

# Creazione della colonna Rank
mls_sttp <- mls_standings %>%
  group_by(Season) %>%
  mutate(Rank = rank(desc(Pts)))

# Creazione della colonna Titoli
mls_sttp <- mls_sttp %>%
  group_by(Team) %>%
  mutate(Titoli = sum(Rank %in% c(1, 2, 3)))

# Creazione del grafico con la colonna Titoli
titoli_plot <- mls_sttp %>%
  ggplot(aes(x = Team, y = Titoli, fill = Team)) +
  geom_bar(stat = "identity") +
  labs(title = "Titoli vinti da ogni squadra",
       x = "Squadra",
       y = "Numero di Titoli") +
  theme_fivethirtyeight()

# Visualizzazione del grafico
titoli_plot

# Creazione del grafico con la colonna Titoli
titoli_plotp <- mls_sttp %>%
  ggplot(aes(x = Team, y = Titoli, fill = Titoli)) +
  geom_bar(stat = "identity") +
  labs(title = "Titoli vinti da ogni squadra",
       x = "Squadra",
       y = "Numero di Titoli") +
  theme_fivethirtyeight()

# Visualizzazione del grafico
titoli_plotp


library(highcharter)

# Creazione del grafico interattivo con geom_point
titoli_plotpp <- mls_sttp %>%
  hchart('point', hcaes(x = Team, y = Titoli, color = Titoli)) %>%
  hc_add_theme(hc_theme_fivethirtyeight()) %>%
  hc_title(text = "Titoli vinti da ogni squadra") %>%
  hc_xAxis(categories = mls_sttp$Team) %>%
  hc_yAxis(title = list(text = "Numero di Titoli")) %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Titoli: {point.y}<br>Stagione: {point.Season}<br>Punti: {point.Pts}<br>Vittorie: {point.W}<br>Gol fatti: {point.GF}') %>%
  hc_table(data = mls_sttp, hcaes(Team, Season, Pts, W, GF), pointFormat = '{point.Team}: {point.Pts} punti, {point.W} vittorie, {point.GF} gol fatti') %>%
  hc_credits(enabled = TRUE, text = '@tuo_nome_utente')




library(highcharter)
# Creazione del grafico interattivo con geom_point e tabella
titoli_plotpp <- summary_datalolp %>%
  hchart('point', hcaes(x = Team, y = Titoli, color = Pts, size = W)) %>%
  hc_title(text = "Titoli vinti da ogni squadra") %>%
  hc_xAxis(categories = mls_sttp$Team) %>%
  hc_yAxis(title = list(text = "Numero di Titoli")) %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Titoli: {point.y}<br>Stagione: {point.Season}<br>Punti: {point.Pts}<br>Vittorie: {point.W}<br>Gol fatti: {point.GF}') %>%
  hc_chart(events = list(load = 'function() {this.table = this.renderer.table(180, 240).css({fontSize: "10px", color: "#ffffff"}).add().toFront();}')) %>%
  hc_chart(renderTo = "tabella_container") %>%
  hc_add_series(table = list(
    table = mls_sttp[, c("Team", "Season", "Pts", "W", "GF")],
    startRow = 1,
    endRow = nrow(mls_sttp),
    startColumn = 0,
    endColumn = 4
  )) %>%
  hc_credits(enabled = TRUE, text = '@wildjang')
  #theme_fivethirtyeight() 




library(highcharter)

# Creazione del grafico interattivo con geom_point e tabella
titoli_plotppl <- mls_sttp %>%
  filter(Titoli > 0) %>%
  hchart('point', hcaes(x = Team, y = Titoli, color = Titoli)) %>%
  hc_title(text = "Titoli vinti da ogni squadra") %>%
  hc_xAxis(categories = mls_sttp$Team) %>%
  hc_yAxis(title = list(text = "Numero di Titoli")) %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Titoli: {point.y}<br>Stagione: {point.Season}<br>Punti: {point.Pts}<br>Vittorie: {point.W}<br>Gol fatti: {point.GF}') %>%
  hc_chart(events = list(load = 'function() {this.table = this.renderer.table(180, 240).css({fontSize: "10px", color: "#ffffff"}).add().toFront();}')) %>%
  hc_chart(renderTo = "tabella_container") %>%
  hc_add_series(table = list(
    table = mls_sttp[, c("Team", "Season", "Pts", "W", "GF")],
    startRow = 1,
    endRow = nrow(mls_sttp),
    startColumn = 0,
    endColumn = 4
  )) %>%
  hc_credits(enabled = TRUE, text = '@wildjang')



library(dplyr)

# Calcolare la media dei Pts, W e GF per ogni team
team_stats <- mls_standings %>%
  group_by(Team) %>%
  summarise(
    Pos = first(Pos),
    PuntiMedio = mean(Pts),
    WMedio = mean(W),
    GFMedio = mean(GF),
    Titoli = sum(Pos == 1)
  )

# Visualizzare il risultato
print(team_stats)
```


```{r}

library(tidyverse)
# Calcola il numero di titoli per ogni squadra
titoli_per_squadra <- vincitori_per_stagione %>%
  group_by(Team) %>%
  summarise(Titoli = n())

# Unisci i dati in summary_datalolp
summary_datalolp <- left_join(summary_datalolp, titoli_per_squadra, by = "Team")


# Imposta i valori mancanti (NA) nella colonna "Titoli" a 0
summary_datalolp$Titoli[is.na(summary_datalolp$Titoli)] <- 0

# Rimuovi la colonna "Pos" da summary_datalolp
summary_datalolp <- select(summary_datalolp, -Pos)

# Visualizza il risultato
summary_datalolp


# Creazione del grafico interattivo con geom_point
titoli_plo <- summary_datalolp %>%
  hchart('point', hcaes(x = Team, y = Titoli, color = Pts)) %>%
  hc_title(text = "Titoli vinti da ogni squadra") %>%
  hc_xAxis(categories = summary_datalolp$Team) %>%
  hc_yAxis(title = list(text = "Numero di Titoli")) %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Titoli: {point.y}<br>Stagione: {point.Season}<br>Punti: {point.Pts}<br>Vittorie: {point.W}<br>Gol fatti: {point.GF}') %>%
  hc_credits(enabled = TRUE, text = '@tuo_nome_utente')


library(shiny)

# Creazione del grafico interattivo con geom_point
titoli_plop <- summary_datalolp %>%
  hchart('point', hcaes(x = Team, y = Titoli, size = Pts, color = W)) %>%
  hc_title(text = "Titoli vinti da ogni squadra") %>%
  hc_xAxis(categories = summary_datalolp$Team) %>%
  hc_yAxis(title = list(text = "Numero di Titoli")) %>%
  hc_size()  %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Titoli: {point.y}<br>Stagione: {point.Season}<br>Punti: {point.Pts}<br>Vittorie: {point.W}<br>Gol fatti: {point.GF}') %>%
  #hc_theme(theme = "sand-signika") %>%
   hc_credits(enabled = TRUE, text = '@wildjang')%>%
   hc_legend()


# Aggiungi un glossario riasuntivo vicino al grafico
glossariol <- tags$div(
  tags$h4("Glossario Riasuntivo"),
  tags$p("Il grafico mostra il numero di titoli vinti da ogni squadra. Ogni punto rappresenta una squadra e la sua posizione sul grafico è determinata dal numero di titoli vinti."),
  tags$p("La dimensione del punto è proporzionale al numero di punti totali ottenuti dalla squadra, mentre il colore del punto rappresenta anch'esso il numero di punti."),
  tags$p("Scorrendo il grafico, è possibile identificare facilmente le squadre che hanno ottenuto più titoli e valutare la loro prestazione complessiva.")
)

# Combinazione di grafico e glossario in un'unica visualizzazione
final_output <- fluidRow(
  column(9, titoli_plop),
  column(3, glossario)
)


# Aggiungi un glossario riasuntivo vicino al grafico
glossario <- tags$div(
  tags$p("Il grafico mostra il numero di titoli vinti da ogni squadra, con la dimensione del punto proporzionale al numero di punti ottenuti."),
  tags$p("I colori dei punti rappresentano anche il numero di punti.")
)

# Combinazione di grafico e glossario in un'unica visualizzazione
final_output <- fluidRow(
  column(9, titoli_plop),
  column(3, glossario)
)


# Combinazione di grafico e glossario in un'unica visualizzazione
final_outputp <- fluidRow(
  column(9, titoli_plop),
  column(3, glossariol)
)
# Visualizza l'output
final_output



# Rinomina la colonna "Pts" di summary_datalo in "Pts_TOT"
summary_datalo <- rename(summary_datalo, Pts_TOT = Pts)
# Creazione del modello lineare

# Unisci i dati
summary_datalolp <- left_join(summary_datalolp, summary_datalo[, c("Team", "Pts_TOT")], by = "Team")

modello_regressione <- lm(Season_max_Pts ~ Pts_TOT , data = summary_datalolp)

# Valutazione del modello
summary(modello_regressione)

plot(modello_regressione)



# Carica le librerie
library(tidymodels)

# Creazione del dataframe con i dati di allenamento
training_data <- summary_datalolp %>% select(Pts, W, GF, VolteMLS, Titoli)

# Creazione del modello lineare
linear_model <- lm(Pts ~ W + GF + VolteMLS + Titoli, data = training_data)

# Visualizzazione dei risultati del modello
summary(linear_model)