Análisis de datos de fútbol con Python al estilo Mister Chip

¿Cuántas veces gana el equipo que se va al descanso perdiendo? En las cinco grandes ligas europeas, en 2025/26, 87 veces de 1.049: el 8,3 %. O sea, tu cuñado, el que jura en el descanso que «este equipo remonta seguro», acierta menos de una vez de cada diez. Esa clase de frase, exacta y con denominador, es la especialidad de Mister Chip. En esta guía de análisis de datos de fútbol con Python la sacás vos de un CSV gratuito con pandas y, antes de publicarla, comprobás que no sea una casualidad disfrazada de historia.¹

Qué tiene un dato al estilo Mister Chip

Alexis Martín-Tamayo, Mister Chip, es un comentarista deportivo nacido en Badajoz e ingeniero de telecomunicación por la Universidad de Sevilla. Su biografía en ESPN destaca lo rápido que reúne datos de casi cualquier deporte.³ Su base de datos juega en otra liga, pero la forma se puede copiar. Un dato así tiene cinco piezas, y si falta una, se cae:

1. Pregunta¿Gana el que pierde al descanso?
2. DefiniciónPerdía al descanso y ganó al final
3. DenominadorLos 1.049 equipos que perdían al descanso
4. Cálculopandas cuenta 87 casos: 8,3 %
5. MatizUna temporada y cinco ligas: nada de «récord histórico»

La definición manda: este dataset solo trae el marcador del descanso y el final, así que acá «remontar» es perder al descanso y ganar al final. Si cambiás la definición, cambia el número.

Los datos de fútbol: un CSV gratis por liga y temporada

La fuente es football-data.co.uk, que publica gratis en CSV los resultados de las grandes ligas europeas desde 1993/94, un archivo por liga y temporada.¹ Ojo con la letra chica: el uso gratuito es para particulares. Para aprender, perfecto; para un producto comercial, preguntá antes.

La clave completa de columnas está en sus notas.² Si nunca usaste pandas, empezá por el tutorial de salarios con datos del INE.

import pandas as pd

URL = "https://football-data.co.uk/mmz4281/{temp}/{liga}.csv"
LIGAS = {"E0": "Premier League", "SP1": "LaLiga", "I1": "Serie A",
         "D1": "Bundesliga", "F1": "Ligue 1"}
COLUMNAS = ["Date", "HomeTeam", "AwayTeam", "FTHG", "FTAG", "FTR",
            "HTHG", "HTAG", "Referee"]   # Referee solo existe en la Premier

def cargar(temp="2526"):
    partes = []
    for codigo, nombre in LIGAS.items():
        df = pd.read_csv(URL.format(temp=temp, liga=codigo),
                         usecols=lambda c: c in COLUMNAS)
        df = df.dropna(subset=["FTHG", "FTAG"])   # algunas temporadas traen filas vacías
        partes.append(df.assign(liga=nombre))
    df = pd.concat(partes, ignore_index=True)
    return df.assign(goles=df["FTHG"] + df["FTAG"])

df = cargar()
print(df.groupby("liga").size())

Validá antes de buscar titulares

Antes de buscar el dato curioso, comprobá que el archivo no tenga partidos repetidos ni celdas vacías, y que sus goles coincidan con otra fuente.

clave = ["liga", "Date", "HomeTeam", "AwayTeam"]
assert not df.duplicated(clave).any()            # ningún partido repetido
assert (df["HomeTeam"] != df["AwayTeam"]).all()   # nadie juega contra sí mismo
print(df[["FTHG", "FTAG", "HTHG", "HTAG"]].isna().sum().sum())   # celdas vacías

print(df.groupby("liga")["goles"].sum())         # para cruzar con otra fuente

Los cinco totales coinciden con los de Wikipedia.⁶ Si no coincidieran, el problema sería tuyo hasta demostrar lo contrario.

Validar también sirve para revisar tu propio trabajo.

Goles por liga: la Bundesliga, lejos del resto

Un groupby por liga responde dónde hay más goles y quién gana más en casa.

resumen = df.groupby("liga").agg(
    goles_por_partido=("goles", "mean"),
    gana_local=("FTR", lambda r: (r == "H").mean() * 100),
    gana_visitante=("FTR", lambda r: (r == "A").mean() * 100),
)
print(resumen.round(2).sort_values("goles_por_partido", ascending=False))

Entre la Bundesliga y la Serie A hay 0,81 goles por partido: en una temporada de 306 partidos, unos 250 goles. O sea, siete goles más por jornada. ¿Y si es solo el Bayern, que hizo 122 en 34 partidos? Sacá sus partidos: el resto de la Bundesliga promedia 3,06, todavía lo más alto de las cinco. El Bayern infla la media, pero no la explica solo.

Cuántos goles tiene un partido y qué marcador se repite más

Una media de 2,76 goles no te dice cómo es un partido típico. Para eso está la distribución.

goles = df["goles"].clip(upper=7)        # 7 significa «7 o más»
print(goles.value_counts(normalize=True).sort_index().mul(100).round(1))

marcador = df["FTHG"].astype(int).astype(str) + "-" + df["FTAG"].astype(int).astype(str)
print(marcador.value_counts().head(3))

El 46,9 % terminó con 2 o 3 goles, y el 0-0, ese que te arruina el domingo, salió 114 veces (6,5 %). Ahora, los marcadores:

El 1-1 ganó con 205 partidos (11,7 %). Pero si no te importa quién jugaba en casa, 1-0 y 0-1 son el mismo resultado y juntos suman el 17,0 %. Con la misma tabla, «el resultado más común es el 1-1» y «es el 1-0» son verdad a la vez. Por eso la definición viaja pegada al número.

Remontadas: el cuñado acierta menos de una vez de cada diez

Para medir remontadas pasá la tabla a formato largo: una fila por equipo y partido. Así preguntás por «el equipo» sin escribir todo dos veces.

local = pd.DataFrame({"equipo": df["HomeTeam"],
                      "descanso": df["HTHG"] - df["HTAG"],
                      "final": df["FTHG"] - df["FTAG"]})
visita = pd.DataFrame({"equipo": df["AwayTeam"],
                       "descanso": df["HTAG"] - df["HTHG"],
                       "final": df["FTAG"] - df["FTHG"]})
largo = pd.concat([local, visita], ignore_index=True)   # una fila por equipo y partido

perdian = largo[largo["descanso"] < 0]
print(len(perdian), round((perdian["final"] > 0).mean() * 100, 1))
print(perdian[perdian["final"] > 0]["equipo"].value_counts().head(1))

De los 1.049 equipos que perdían al descanso, el 74,6 % perdió, el 17,1 % empató y el 8,3 % ganó; el Aston Villa lo logró cuatro veces. Y el partido con más goles de la temporada fue una remontada que no llegó: el Mönchengladbach perdía 0-5 con el Eintracht Frankfurt al descanso y terminó 4-6. Diez goles, y ni así.

Ventaja de local: el año que se vaciaron los estadios

Entre ligas, la ventaja de jugar en casa cambia mucho:

¿Por qué pesa tanto jugar en casa en LaLiga y tan poco en la Serie A? Con estos datos no lo sabés. Para aislar al público, el fútbol tuvo un experimento que nadie pidió. Según un estudio publicado en PeerJ, en 2020/21 se jugó a puerta cerrada el 90,7 % de los 3.898 partidos de primera y segunda división de estos cinco países.⁵

En las cinco temporadas anteriores, el local ganaba el 45,6 % y el visitante, el 29,3 %. En 2020/21 quedó 39,9 % contra 34,7 %, y en la Premier los visitantes ganaron más partidos que los locales: 153 contra 144. El estudio de PeerJ concluye lo mismo: sin público la ventaja bajó, aunque no desapareció.⁵

El matiz: en 2024/25, con estadios llenos, la diferencia de goles a favor del local (0,17 por partido) fue casi tan baja como en 2020/21 (0,15). Una temporada sola se mueve mucho por azar; convence que muestras distintas cuenten lo mismo.

import matplotlib.pyplot as plt

temporadas = ["1415", "1516", "1617", "1718", "1819", "1920",
              "2021", "2122", "2223", "2324", "2425", "2526"]
hist = pd.concat([cargar(t).assign(temporada=t) for t in temporadas])
serie = (hist.groupby("temporada")["FTR"]
             .value_counts(normalize=True).unstack().mul(100).round(1))
print(serie.loc[["1819", "2021", "2526"], ["H", "A"]])

ax = serie[["H", "A"]].plot(marker="o", figsize=(8, 4))
ax.axvspan(5.5, 6.5, alpha=0.15)          # 2020/21, estadios vacíos
ax.set_ylabel("% de partidos")
ax.legend(["Gana el local", "Gana el visitante"])
plt.tight_layout()
plt.savefig("ventaja_local.png", dpi=200)

Dato curioso o historia falsa: el árbitro goleador

Este es el dato que más rápido se comparte y el que más rápido engaña. En la Premier 2025/26, entre los 17 árbitros con diez partidos o más, Salisbury promedió 3,57 goles por partido y Harrington, 2,09. Dos maneras de contarlo:

Premier League 2025/26
Árbitros con 10 partidos o más: 17

Más goles por partido:  Salisbury    3,57  (14 partidos)
Menos goles:            Harrington   2,09  (11 partidos)
Media de la liga:                    2,75

«Salisbury deja jugar: con él llueven los goles.
Con Harrington, partido trabado.»

Los árbitros no eligen sus partidos, y con 14 u 11 partidos el promedio baila mucho. ¿Cuánto? Repartí los goles de cada partido al azar entre los mismos árbitros, cada uno con su número de partidos, y mirá cuánto promedia el más goleador. Diez mil veces.

import numpy as np

pl = df[df["liga"] == "Premier League"]
arb = pl.groupby("Referee")["goles"].agg(["size", "mean"])
arb = arb[arb["size"] >= 10]                # al menos 10 partidos
real = arb["mean"].max()                    # 3,57

rng = np.random.default_rng(2026)
maximos = []
for _ in range(10_000):
    goles = pd.Series(rng.permutation(pl["goles"].to_numpy()))
    medias = goles.groupby(pl["Referee"].to_numpy()).mean()
    maximos.append(medias[arb.index].max())

maximos = np.array(maximos)
print(f"{np.median(maximos):.2f} {(maximos >= real).mean() * 100:.1f}")

La mediana de esos máximos es 3,40, y el 23,3 % de los sorteos llega a 3,57 o más. O sea, la pura lotería fabrica un «Salisbury» casi una vez de cada cuatro. Ojo, que el sorteo tampoco demuestra que los árbitros no influyan: dice que estos datos no alcanzan para verlo.

Esa es la prueba del sorteo: antes de explicar por qué un grupo se ve distinto (un árbitro, un estadio, los partidos del lunes), repartí los partidos al azar. Si el sorteo produce diferencias parecidas, quedate con el dato y guardá la historia. Y si tenés que contarlo a alguien que no lee código, mirá cómo presentar resultados a un CEO que no entiende de datos.

Antes de publicar tu dato

Pasá cada cifra por esta lista antes de mandarla al grupo de amigos.

Preguntas frecuentes

Fuentes

1. Football-Data.co.uk. Historical Football Results and Betting Odds Data. Archivos de 2014/15 a 2025/26 de las cinco grandes ligas, descargados el 4 de octubre de 2026.
2. Football-Data.co.uk. Notes for Football Data (clave de columnas).
3. ESPN Press Room. Alexis Martín-Tamayo (Mr. Chip).
4. Bundesliga. DFB rules in favour of Bochum win at Union Berlin. 28 de abril de 2025.
5. Sors, F., Grassi, M., Agostini, T. y Murgia, M. A complete season with attendance restrictions confirms the relevant contribution of spectators to home advantage and referee bias in association football. PeerJ, 10, e13681, 2022.
6. Wikipedia. Temporada 2025/26 de Premier League, LaLiga, Serie A, Bundesliga y Ligue 1, consultadas el 4 de octubre de 2026.
7. StatsBomb. StatsBomb Open Data.