Beisbol Analitica

Plataforma de datos para analisis de beisbol profesional. Extrae datos de la MLB Stats API, los almacena en una base de datos relacional y los transforma en metricas analiticas avanzadas.

Cubre MLB y multiples ligas latinoamericanas e internacionales (LMB, LMP, LIDOM, LVBP, LBPRC, DSL, VSL, WBC, Serie del Caribe).

Componentes

El proyecto se divide en dos componentes principales:

Scraper (scraper/)

Pipeline ETL en Python que consume la MLB Stats API para extraer datos de juegos de beisbol. Para cada juego obtiene boxscore, play-by-play (incluyendo datos Statcast), contexto del juego, datos biograficos de jugadores y transacciones.

• Scraping concurrente con ThreadPoolExecutor
• Configurable por liga, rango de fechas, batch size y workers
• Inserta datos en ~18 tablas staging via Pandas + SQLAlchemy
• Compatible con SQLite, PostgreSQL y cualquier backend de SQLAlchemy

python scraper/orchestrator.py --lg MLB --startDate 2024_04_01 --endDate 2024_09_30

Ver scraper/README.md para documentacion completa.

Database (database/)

Base de datos SQLite con arquitectura de data warehouse por capas. Los datos crudos del scraper aterrizan en staging, se limpian y normalizan en tablas base, y se transforman en metricas agregadas y modelos analiticos.

Staging (datos crudos) → Base (datos limpios) → Agregados y modelos analiticos

Capas analiticas:

• Agregados — estadisticas acumuladas de bateo, pitcheo, fildeo y rendimiento de equipos, con metricas derivadas (wOBA, wRAA, wRC, OPS+, FIP)
• Park Factors — ajuste de estadisticas por estadio y zona del campo
• Run Expectancy — matriz RE24 y valor en carreras por tipo de evento
• Win Expectancy — probabilidad de victoria por situacion de juego y WPA por jugada

Ver database/README.md para documentacion completa.

Requisitos

• Python 3.10+
• Dependencias: requests, pandas, sqlalchemy, pydantic-settings, pyyaml

Instalacion

cd scraper
pip install .

Uso rapido

# 1. Crear las tablas
sqlite3 baseball.db < database/setup/tables.sql

# 2. Scrapear datos
python scraper/orchestrator.py --lg MLB --date 2024_07_15

# 3. Transformar staging → base → agregados
sqlite3 baseball.db < database/setup/procedures.sql

Descarga la Base de Datos

Para descargar directamente la base de datos, accede a este link.