🏀 MVP NBA — NBA Player Stats Analysis (Jupyter)

---

Este repositorio contiene un notebook de análisis exploratorio de estadísticas de jugadores de la NBA (mvp_nba.ipynb) y el dataset all_seasons.csv usado para calcular líderes por estadística, comparaciones por era y un índice ponderado de "MVP" por temporada.

El notebook realiza: carga de datos, limpieza mínima, identificación de líderes por puntos/rebotes/assists, cálculo de métricas normalizadas, creación de un MVP_Index ponderado y reportes por era/posición/equipo.

---

🎯 Objetivo del proyecto

Explorar el dataset de temporadas para identificar tendencias en rendimiento individual y de equipo, evaluar eficiencia (TS%), impacto en net rating y proponer un índice objetivo que permita comparar candidatos a "Data MVP" por temporada.

Preguntas principales abordadas:

• ¿Quién lidera cada temporada en puntos, rebotes y asistencias?
• ¿Qué tan eficientes son los líderes (True Shooting %)?
• ¿Cómo cambian tamaño/estilo/producción por era (1990s, 2000s, 2010s, 2020s)?
• ¿Qué jugadores obtienen mayor impacto según net_rating y un índice combinado (MVP_Index)?

---

📁 Estructura del repositorio

├── mvp_nba.ipynb         # Notebook principal (análisis EDA y reportes)
├── all_seasons.csv       # Dataset (puntos, rebotes, asistencias, ts_pct, usg_pct, net_rating, etc.)
├── requirements.txt      # Dependencias Python mínimas
├── create_env.ps1        # Script PowerShell para crear .venv e instalar dependencias
├── .gitignore            # Ignorar .venv y artefactos
└── README.md

---

📈 Resumen de análisis y resultados (breve)

• Identificación de líderes por temporada en pts, reb, ast.
• Ranking de eficiencia de anotadores usando ts_pct (umbral elite/riesgo en notebook).
• Evaluación de impacto defensivo/ofensivo con net_rating para rebounders.
• Clasificación de creadores (ast_pct) y detección de jugadores de alta creación.
• Segmentación por era basada en la temporada (1990s, 2000s, 2010s, 2020s).
• Cálculo de MVP_Index normalizado y selección del Data MVP por temporada.

---

⚙️ Cómo ejecutar (Windows PowerShell)

# Crear y activar entorno
python -m venv .venv
& '.\.venv\Scripts\Activate.ps1'

# Instalar dependencias
& '.\.venv\Scripts\python.exe' -m pip install -r requirements.txt

# Ejecutar el notebook (desde la carpeta del repo)
jupyter notebook mvp_nba.ipynb

Si usas otra plataforma o conda puedo generar un environment.yml opcional.

---

📝 Notas y reproducibilidad

• requirements.txt contiene las dependencias mínimas detectadas en el notebook. Para fijar versiones exactas puedes ejecutar pip freeze > requirements.txt dentro del entorno y compartir el resultado.
• El notebook carga el CSV desde all_seasons.csv (o desde la URL remota si prefieres usar la versión en GitHub). Asegúrate de tener conexión si usas la URL.

---

✨ Autor

Proyecto desarrollado por Enrique. Para preguntas o mejoras, abre un Issue o PR.