ANALISI_PROGETTO_MLS.RMD

---
title: "Analisi della MLS DA 2000 A 2022"
author: "WILLY DJANGANG"
date: "2024-02-01"
output: 
   slidy_presentation: default
   ioslides_presentation:
    widescreen: true
    css: "custom.css"
---

```{r setup, include=FALSE, eval=TRUE}

knitr::opts_chunk$set(echo = FALSE, out.width = "92%")

library(ggplot2)
library(ggplotify)
library(plotly)
library(tidyverse)
library(ggimage)
library(magick)
library(ggthemes)
library(gapminder)
library(readxl)
library(ggtext)
library(viridis)
library(RColorBrewer)
library(highcharter)
library(patchwork)
library(ggvis)
library(highr)

#"Importazione dei dati".

mls_standings <- read.csv("W:/FONDAMENTI DEI DATI/mls standings/mls_standings.csv")



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


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

```

## Dataset utilizzati

[**MLS STANDINGS**](https://www.kaggle.com/datasets/abbymiles27/mls-standings-2000-2022) **Il dataframe mls_standings contiene i risultati delle partite di Major League Soccer (MLS) per le stagioni 2000-2022. 

-   401 righe e 12 colonne
-   le statistiche delle partite giocate delle diversi squadre immersi della MAJOR LEAGUE SOCCER[2000-2022] \*\*

[**MLS_mod:**](%22W:/FONDAMENTI%20DEI%20DATI/mls%20mod.xlsx%22) 

\*\* Il secondo dataset rappresenta informazioni spaziali e geografiche delle squadre, presentando una tabella con 29 righe e 6 colonne. Le informazioni includono la città e la regione di ogni squadra, l'anno di fondazione, l'anno di ingresso nel campionato, e vari link alle foto e siti web delle squadre. \*\*

## Motivazione e Domande POSTI

 Motivazione 
 
La Major League Soccer (MLS) è diventata un campionato in crescita e competitivo, con una rivalità sempre più intensa tra le squadre e un costante miglioramento del livello di gioco. Questo è simile a quanto si osserva nei campionati europei, dove spesso si osserva una forte rivalità e una lotta competitiva tra le squadre fino all'ultima giornata. La MLS offre la possibilità di partite combattute e incerte fino all'ultima giornata, e la presenza di stelle del calcio mondiale rende il campionato appassionante e coinvolgente da seguire.


**  Le domande che mi sono posto **

1.    Come è cambiato il numero di squadre partecipanti nella MLS nel corso degli anni?
        -Si puo esistere dei cluster?
2.     Come si comporta le diverse squadre durante il campionato
        -Per Ogni cluster temporale
3.     Quali sono le migliori titolari del Campionato americano?
          -Per Ogni cluster temporale
4.    Quali sono le città con le migliore squadre da 2000 a 2022
     
     

##  Come è cambiato il numero di squadre partecipanti nella MLS nel corso degli anni?

**Evoluzione del Numero di Partecipanti nelle Stagioni della MLS**

```{r , message=FALSE, echo = FALSE}

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") 
barplot_squadre_per_stagionel
```



## Clustering delle stagioni
 
 **Da questa osservazione si puo andare a cercare dei cluster in funzione di numeroSquadre, visto che piu ci sono delle SQUADRE piu il la variazione medio punti si diversifica**
 
 **Si vede allora che dalla stagione 2000 fino a 2008 siamo andanti da 10 fino a 14 Squadre con una piccola discesa negli da 2002 a 2003,
- Da 2009 a 2016 la lega americano  sta crescendo  le squadre da 15 fino a 20 
- E infine da 2017 in poi, il numero sta sempre aumentando fino a 28**


```{r}
dati_clusteringl <- numero_squadre_per_stagionel[, 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

# 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

```


Dal secondo grafico grafico si puo evidenziare   3 gruppi di distribuzione in cui variano le Squadre in funzione dei loro punti stagionali

 ** - Da 2000 a 2008  in cui la mediaPunti sembra essere 42 Punti **
 ** - Da 2009 a 2016  in cui la media Punti è 45 **
 ** - Da 2017 a 2022  e invece qua è 44 **


```{r}
# fare un dashboard qua 
# Da questo grafico generalizzato si vede che ci sono 3 cluster differenziate dalla distribuzione normali. Tali che le stagione da 2000 a 2008 seguono una..  
observp = mls_standings %>%
  ggplot(aes(x = Team,
             y = Pts,
             size = W,
             color = as.factor(Season))) +
  geom_point() +
  facet_wrap(~Season) +
  scale_color_manual(values = c("blue", "blue", "blue", "blue", "blue", "blue", "blue", "blue",  # Da 2000 a 2008: blu
                                "blue", "red", "red", "red", "red", "red", "red", "red",  # Da 2009 a 2016: rosso
                                "green", "green", "green", "green", "green", "green", "green", "green"),  # Da 2017 in poi: verde
                     name = "Stagione") +
  scale_x_discrete(labels = FALSE) +  
  theme(axis.text.x = element_blank()) +
  labs(title = "Andamento delle squadre basato sui punti raggruppati per cluster annui",
       x = "Punti di Ogni Team",
       y = "Squadra")
observp

numero_squadre_per_stagioneo <- na.omit(numero_squadre_per_stagionel)
```



## Analisi delle prestazioni delle franchigie nelle 3 cluster di tempo
  

In sintesi, questo grafici ti permettono di visualizzare il rendimento delle squadre di calcio in raggruppamento temporale
 
  - Il rendimento delle squadre di calcio da 2000 a 2008
```{r}
# 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)

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


```{r}
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}')

highchart_chart_2000_2008p
```


## Il rendimento delle squadre di calcio da 2009 a 2017
```{r}
# 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>Partite vinte: {point.W}') %>%
  hc_credits(enabled = TRUE, text = 'Crediti: @wildjang') 

highchart_chart_2009_2016p
```


## Il rendimento delle squadre di calcio da 2017 a 2022
```{r}
# Convertire il grafico ggplot in highchart
highchart_chart_2017_2022p <- 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>Partite vinte: {point.W}') %>%
  hc_credits(enabled = TRUE, text = 'Crediti: @wildjang')
 

highchart_chart_2017_2022p

#combined_chart <- wrap_plots(highchart_chart_2000_2008p, highchart_chart_2009_2016p, highchart_chart_2017_2022p, ncol = 3)


```

## COMPORTAMENTO DELLE SQUADRE MIGLIORE DEI DIVERSI CLUSTERS TEMPORALI
   I 5 MIGLIORI DA 2000 A 2008

```{r , message=FALSE, echo = FALSE}

# 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", "PPG")

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
  )



# 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
  )



# 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)

# 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")

#Si nota che all'andamento del tempo la difficolta di stare tramite i primi/ essere campioni è dura perché da 2000 a 2008 abbiamo 



# 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")


# 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")


# 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 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
```

## I 5 MIGLIORI DA 2009 A 2016
```{r}
# 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
```

## I 5 MIGLIORI DA 2017 A 2022
```{r}
# 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

```

## I DIVERSI TITOLARI DEI CAMPIONI DELLA MAJOR LEAGUE SOCCER

```{r}


# Raggruppa per squadra e controlla il numero di tornei vinti
tornei_vinti <- mls_standings %>%
  group_by(Team) %>%
  summarize(TorneiVinti = sum(Pos == 1))

# Raggruppa per squadra e calcola le statistiche desiderate
statistiche_squadra <- mls_standings %>%
  group_by(Team) %>%
  summarize(
    TorneiVinti = sum(Pos == 1),
    PuntoMedio = mean(Pts),
    GoalForMedio = mean(GF),
    PartiteVinte = sum(W),
    StagioneMaxPunti = Season[which.max(Pts)],
    MediaPPG = mean(PPG)
  )

# Arrotonda le medie a due decimali
statistiche_squadra$PuntoMedio <- round(statistiche_squadra$PuntoMedio, 2)
statistiche_squadra$GoalForMedio <- round(statistiche_squadra$GoalForMedio, 2)
statistiche_squadra$PartiteVinte <- round(statistiche_squadra$PartiteVinte, 2)
statistiche_squadra$MediaPPG <- round(statistiche_squadra$MediaPPG, 2)
  
color1 = c("#B30000", "#FF6600", "#FFB300", "#8CC63F", "#33A1C9", "#003399", "#660099", "#FF007F", "#00CC99", "#009999", "#CC0066", "#FFCC90", "grey")

library(highcharter)
library(tidyverse)
titoli_plotppl1 <- statistiche_squadra %>%
  filter(TorneiVinti > 0) %>%
  hchart('point', hcaes(x = Team, y = TorneiVinti , size = PartiteVinte, color = color1)) %>%
  hc_title(text = "Titoli vinti da ogni squadra") %>%
 # hc_xAxis(categories = Team) %>%
  hc_yAxis(title = list(text = "Numero di Titoli")) %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Titoli: {point.y}<br>Stagione: {point.StagioneMaxPunti}<br>Punti: {point.PuntoMedio}<br>Vittorie: {point.PartiteVinte}<br>Gol fatti: {point.GoalForMedio}') %>%
  hc_legend(
    align = "left",
    verticalAlign = "top",
    layout = "vertical",
    x = 0,
    y = 100
  ) %>%
  hc_credits(enabled = TRUE, text = '@wildjang')


# Ordina il dataframe in base al numero di tornei vinti
statistiche_squadral <- statistiche_squadra %>%
  arrange(desc(TorneiVinti))

# Crea un nuovo dataframe per le etichette dell'asse x
etichette_ascisse <- data.frame(
  Team = statistiche_squadral$Team,
  stringsAsFactors = FALSE
)

# Aggiungi l'etichetta dell'asse x come factor
statistiche_squadra <- left_join(statistiche_squadral, etichette_ascisse, by = "Team")

# Crea il grafico a dispersione
titoli_plotppl12 <- statistiche_squadral %>%
  filter(TorneiVinti > 0) %>%
  hchart('point', hcaes(x = as.factor(Team), y = TorneiVinti, size = PartiteVinte, color = TorneiVinti)) %>%
  hc_title(text = "Titoli vinti da ogni squadra") %>%
  hc_xAxis(categories = statistiche_squadra$Team) %>%
  hc_yAxis(title = list(text = "Numero di Titoli")) %>%
  hc_tooltip(pointFormat = '<b>{point.Team}</b><br>Titoli: {point.y}<br>Punti Medio: {point.PuntoMedio}<br>Goal For Medio: {point.GoalForMedio}<br>Stagione Max Punti: {point.StagioneMaxPunti}<br>Media PPG: {point.MediaPPG}') %>%
  hc_legend(
    align = "left",
    verticalAlign = "top",
    layout = "vertical",
    x = 0,
    y = 100
  ) %>%
  hc_credits(enabled = TRUE, text = '@wildjang')

titoli_plotppl12
```


## LE CITTA MIGLIORI DI OGNI PERIODO 
 ** BOXPLOT DELLE CITTA IN FUNZIONE DEI PUNTI AVUTI**

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


## MIGLIORE CITTA DA 2000 2008
```{r}
custom1 = viridis::plasma(n = 6)
custom2l = viridis::plasma(n = 6)
custom3l = viridis::plasma(n = 5)


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

# ***** 
  # DA 2000 A 2008
# Filtra le squadre che sono state primi
prime_squadre <- top5l_2000_2008 %>%
  filter(Pos == 1)

library(highcharter)
# Conta il numero di volte che ciascuna città è stata in prima posizione
conteggio_per_citta <- prime_squadre %>%
  group_by(city) %>%
  summarise(NumVolte = n())

# Crea un grafico a torta
grafico_torta1 <- conteggio_per_citta %>% 
  hchart('pie', hcaes(x = city, y = NumVolte, color = custom1, label = NULL)) %>%
   hc_tooltip(pointFormat = '<b> Proportion: </b> {point.percentage:,.2f}%') %>%
  hc_title(text = "Numero di volte in cui le città sono state in prima posizione", style = list(fontSize = '15px', fontWeight = 'bold')) %>%
  hc_legend(enabled = TRUE, text = '@wildjang')

# Visualizza il grafico a torta
grafico_torta1
```

## MIGLIORE CITTA DA 2009 A 2016
```{r}
# Filtra le squadre che sono state primi
prime_squadre2 <- top5l_2009_2016 %>%
  filter(Pos == 1)

library(highcharter)
# Conta il numero di volte che ciascuna città è stata in prima posizione
conteggio_per_citta2 <- prime_squadre2 %>%
  group_by(city) %>%
  summarise(NumVolte = n())

# Crea un grafico a torta
grafico_torta2 <- conteggio_per_citta2 %>% 
  hchart('pie', hcaes(x = city, y = NumVolte, color = custom2l, label = NULL)) %>%
   hc_tooltip(pointFormat = '<b> Proportion: </b> {point.percentage:,.2f}%') %>%
  hc_title(text = "Numero di volte in cui le città sono state in prima posizione", style = list(fontSize = '15px', fontWeight = 'bold')) %>%
  hc_legend(enabled = TRUE, text = '@wildjang')

# Visualizza il grafico a torta
grafico_torta2
```

## MIGLIORE CITTA DA 2017 A 2022
```{r}
# Filtra le squadre che sono state primi
prime_squadre3 <- top5l_2017_2022 %>%
  filter(Pos == 1)

library(highcharter)
# Conta il numero di volte che ciascuna città è stata in prima posizione
conteggio_per_citta3 <- prime_squadre3 %>%
  group_by(city) %>%
  summarise(NumVolte = n())

# Crea un grafico a torta
grafico_torta3 <- conteggio_per_citta3 %>% 
  hchart('pie', hcaes(x = city, y = NumVolte, color = custom3l, label = NULL)) %>%
   hc_tooltip(pointFormat = '<b> Proportion: </b> {point.percentage:,.2f}%') %>%
  hc_title(text = "Numero di volte in cui le città sono state in prima posizione", style = list(fontSize = '15px', fontWeight = 'bold')) %>%
  hc_legend(enabled = TRUE, text = '@wildjang')

grafico_torta3
```





  Vincitorie della MLS

```{r , message=FALSE, echo = FALSE}

custom <- viridis::plasma(n = 23)

merged_data <- inner_join(mls_standings, summary_datalolp, by = "Team")

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

piechartvincitore <- vincitori_per_stagionep %>%
  hchart('pie', hcaes(x = Season, y = Team, color = custom)) %>%
  hc_tooltip(pointFormat = '<b>Numero delle Squadre:</b> {point.y} <br>') %>%
  hc_title(text = "I vincitori della MAJOR LEAGUE SOCCER",
           style = list(fontSize = '25px', fontWeight = 'bold')) %>%
  hc_credits(enabled = TRUE, text = '@wildjang')


```

## IL RICAPULATIVO Delle  Migliore Citta delle Franchigie della MLS Da 2000 A 2022
```{r}

custom3 = viridis::magma(n = 13)

# Combina i dataframe delle prime 5 squadre di ciascun periodo
top5l_df <- rbind(top5l_2000_2008, top5l_2009_2016, top5l_2017_2022)


# Filtra le squadre che sono state primi
prime_squadre_top <- top5l_df %>%
  filter(Pos == 1)


# Conta il numero di volte che ciascuna città è stata in prima posizione
top_conteggio_per_cittal <- prime_squadre_top %>%
  group_by(city) %>%
  summarise(NumVolte = n(), Team = paste(unique(Team), collapse = ', '))


# Crea un grafico a torta
grafico_tortapl <- top_conteggio_per_cittal %>% 
  hchart('pie', hcaes(x = city, y = NumVolte, color = custom3, label = NULL)) %>%
  hc_plotOptions(
    pie = list(
      dataLabels = list(
        enabled = TRUE,
        format = '{point.name}: {point.y} - Vincitori: {point.Team}'
      )
    )
  ) %>%
  hc_tooltip(pointFormat = '<b> Proportion: </b> {point.percentage:,.2f}%') %>%
  hc_title(text = "Numero di volte in cui le città sono state in prima posizione", style = list(fontSize = '15px', fontWeight = 'bold')) %>%
  hc_legend(enabled = TRUE, text = '@wildjang')

grafico_tortapl

```




## Conclusioni 

Dai grafici ottenuti abbiamo ricavato i seguenti risultati:
```{r}
P = "Via via che cominciamo una nuova Stagione, Le numero delle squadre crescono di almeno 1"
R = "Il campionato MLS è clamorosamente difficile e competitvo e sopratutto quelli recenti "
```


## Fine

Ringrazio a tutti quelli che mi hanno aiutati e incoraggiati, e anche il professore di DATASCIENZE di aver seguirmi e sentirmi.

                                   
```{r}
 V =  "***GRAZIE MILLE  ***"
```