Dashboard F1: Insights de Corrida

Aplicação web para análise exploratória da Fórmula 1 com filtros interativos, KPIs, gráficos focados em insights de impacto e uma aba dedicada para relacionamento dinâmico entre variáveis.

Contextualização do Problema

Na Fórmula 1, o desempenho de pilotos e equipes ao longo de uma temporada não depende apenas de velocidade, estratégia e número de vitórias. O campeonato também é fortemente afetado por adversidades, como acidentes, colisões, rodadas, falhas mecânicas e outras situações que impedem a conclusão de uma prova ou comprometem a pontuação esperada em uma corrida.

Esse tema é relevante porque, em um campeonato de longa duração, a consistência costuma ser tão importante quanto momentos de alto desempenho. Um piloto ou uma equipe pode perder pontos decisivos por causa de incidentes isolados, mas ainda assim manter competitividade e terminar bem colocado no campeonato. Por isso, o projeto busca analisar não apenas quem pontua mais, mas também quem consegue sustentar bons resultados mesmo diante de dificuldades ao longo da temporada.

Os dados utilizados vêm do dataset jtrotman/formula-1-race-data, disponibilizado no Kaggle, e reúnem informações históricas da Fórmula 1 em diferentes tabelas, incluindo resultados de corrida, pilotos, equipes, circuitos, status finais e classificações de campeonato. A partir dessas tabelas, é possível relacionar eventos ocorridos nas corridas com o desempenho acumulado de pilotos e construtores ao fim de cada temporada.

Pergunta de Pesquisa

Em que medida incidentes e não conclusões ao longo da temporada estão associados à posição final no campeonato, e quais pilotos e equipes mais superaram essas adversidades?

Pré-requisitos

• Python 3.11+
• Suporte a venv habilitado no Python
• Internet para instalar dependências (na primeira execução)

Atualização automática dos dados

Esse fluxo é opcional. As dependências dele já ficam no requirements.txt, mesmo que você não use a atualização automática logo de início.

Este projeto pode baixar os arquivos CSV mais recentes diretamente do dataset jtrotman/formula-1-race-data no Kaggle.

Passos básicos:

1. Instale as dependências do projeto:

   python -m pip install -r requirements.txt

2. Configure sua autenticação Kaggle usando o arquivo de exemplo:
   • Copie o arquivo de exemplo para .env:

     cp .env.example .env

   • Abra .env e substitua KGAT_<seu_token> pelo seu token real do Kaggle.
   • O script dá prioridade ao .env da raiz do projeto.
3. Execute o script de atualização:

   python update_data.py

Isso usa a API do Kaggle e copia os CSVs mais recentes para a pasta dados f1/.

Se você não quiser usar o Kaggle automaticamente

Nesse caso, baixe o ZIP manualmente do dataset no Kaggle e extraia o conteúdo de CSV para dados f1/.

Execução no Windows (PowerShell)

python -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements.txt
.\.venv\Scripts\python.exe -m streamlit run app.py

Execução no Linux

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python -m streamlit run app.py

Limpeza para rodar do zero

Use os comandos abaixo se quiser recriar o ambiente do projeto do zero. Eles removem o ambiente virtual e arquivos temporários de Python, mas não apagam a pasta dados f1.

Windows (PowerShell)

if (Test-Path .venv) { Remove-Item -Recurse -Force .venv }
Get-ChildItem -Directory -Recurse -Filter __pycache__ | Remove-Item -Recurse -Force
Get-ChildItem -File -Recurse -Include *.pyc,*.pyo | Remove-Item -Force

Linux

rm -rf .venv
find . -type d -name "__pycache__" -prune -exec rm -rf {} +
find . -type f \( -name "*.pyc" -o -name "*.pyo" \) -delete

Observações

• O app lê os arquivos da pasta dados f1 automaticamente.
• update_data.py é opcional, mas as dependências dele já fazem parte de requirements.txt.
• Nesta versão inicial, o dashboard usa as tabelas centrais: results, races, drivers, constructors, circuits e status.
• A aba principal mostra KPIs, 4 gráficos de impacto e os dados filtrados.
• A aba "Relacionamento dinâmico" mantém a análise agregada personalizável.
• Se streamlit não for reconhecido como comando, use sempre python -m streamlit.
• Se o venv não estiver disponível no Linux, instale o pacote equivalente da sua distribuição, como python3-venv.