{"id":16576468,"url":"https://github.com/devmessias/pybr2023","last_synced_at":"2026-05-27T13:37:11.143Z","repository":{"id":204687633,"uuid":"708454777","full_name":"devmessias/pybr2023","owner":"devmessias","description":null,"archived":false,"fork":false,"pushed_at":"2023-10-31T13:30:09.000Z","size":123,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2026-05-27T13:37:06.854Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":null,"language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/devmessias.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null}},"created_at":"2023-10-22T16:03:21.000Z","updated_at":"2023-10-31T13:05:08.000Z","dependencies_parsed_at":null,"dependency_job_id":"75ffd2d2-b357-47c7-8937-fc51e204ed05","html_url":"https://github.com/devmessias/pybr2023","commit_stats":null,"previous_names":["devmessias/pybr2023"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/devmessias/pybr2023","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/devmessias%2Fpybr2023","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/devmessias%2Fpybr2023/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/devmessias%2Fpybr2023/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/devmessias%2Fpybr2023/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/devmessias","download_url":"https://codeload.github.com/devmessias/pybr2023/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/devmessias%2Fpybr2023/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":33568857,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-05-26T15:22:16.424Z","status":"online","status_checked_at":"2026-05-27T02:00:06.184Z","response_time":53,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":[],"created_at":"2024-10-11T22:08:17.394Z","updated_at":"2026-05-27T13:37:11.127Z","avatar_url":"https://github.com/devmessias.png","language":"Python","funding_links":[],"categories":[],"sub_categories":[],"readme":"  \n# Desafio: Explorando Ranqueamento através da Ciência de Dados em Grafos no Campeonato Brasileirão\n\nNa apresentação, discutimos como a ciência de dados em grafos emergiu entre os séculos 18 e 19 para resolver desafios como detectar conluios entre enxadristas, ajudando a decidir quem deveria receber a maior parcela do prêmio. Este problema se estende além do xadrez e encontra relevância na matemática e, atualmente, na ciência dos dados: como ranquear entidades de forma justa e precisa?\n\nNeste desafio, vamos explorar o campeonato Brasileirão: \n- investigar como diferentes métodos de ranqueamento, além do tradicional sistema de pontos acumulados, podem influenciar os resultados, alterando os vencedores e/ou rebaixados\n- Vamos simular concluios entre times e avaliar quão robusto são os métodos para manter vencedores e rebaixados inaleterados\n- Vamos fazer um shuffle e depois deletar X% das partidas e refazer a primeira análise\n\n# Passos do Desafio:\n\n\n    \n## Data preparation\n### Download dos dados\n\nBaixe os dados do Campeonato Brasileirão dos últimos anos. Você pode encontrar estes dados em repositórios públicos ou sites especializados em estatísticas de futebol.\n\n```python\n# Construa seu código aqui usando esse site\n```\n### Data cleaning\n\nLimpe e estruture os dados de forma que facilite a análise. Por exemplo, certifique-se de que os dados estejam completos, consistentes e no formato adequado.\n\n\n### Construção do grafo\n\n```python\n# Você pode usar o networkx se prefereir ou o numpy\n# o objetivo é ter uma representacao matricial ou de arestas do seu grafo\n\n# Exemplo de código usando networkx\nimport networkx as nx\n\ndef build_graph(dados) -\u003e nx.DiGraph\n\t# Criando um grafo direcionado\n\tG = nx.DiGraph()\n\t\n\t# Adicionando arestas ao grafo a partir dos dados das partidas\n\tfor index, row in dados.iterrows():\n\t    G.add_edge(row['time_casa'], row['time_visitante'], weight=row['gols_casa'] - row['gols_visitante'])\n\t\n\treturn G\n\n```\n\n\n# Métodos\n\n\n## Ranqueamento\n\n\n### Contagem de pontos\n\n```python\n# implemente uma função que receba seu grafo e retorne um score de ranqueamento para cada time\n```\n\n### Sua escolha\n\nExemplos de métodos:\n- autovetor\n- page-rank\n- centralidade do vértice\n\n```python\n# implemente uma função que receba seu grafo e retorne um score de ranqueamento para cada time\n```\n\n\n\n## Mensurar e comparar ranqueamentos\n\n\n\n### Plots\n\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdevmessias%2Fpybr2023","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fdevmessias%2Fpybr2023","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdevmessias%2Fpybr2023/lists"}