Data Engineering
NBA Analytics avec Docker & PostgreSQL
Docker | PostgreSQL | Python | Data Integration
Docker
PostgreSQL
Python
Pandas
SQL
Jupyter
Contexte & Objectifs
Le Défi
Intégrer de grandes quantités de données NBA (16 fichiers CSV) dans une base PostgreSQL déployée via Docker, en automatisant le processus d'import et en garantissant l'intégrité des données.
L'Objectif
Créer une base de données relationnelle robuste permettant des analyses statistiques sur les joueurs, équipes et matchs NBA de 1980 à 2018.
Architecture & Pipeline
Workflow d'Intégration
- Déploiement d'un conteneur Docker PostgreSQL via docker-compose.yml
- Définition de la structure des tables avec contraintes et clés primaires (create_tables.sql)
- Automatisation de l'import via scripts Python dédiés (un par table/fichier)
- Nettoyage et validation des données pour garantir l'intégrité référentielle
- Analyses exploratoires dans Jupyter Notebook
Analyses Réalisées
- Statistiques joueurs : Extraction des informations et statistiques combinées des joueurs
- Matchs gagnants 2015 : Identification des équipes victorieuses pour chaque match de la saison
- Classement par victoires : Calcul du nombre de victoires par équipe pour l'année 2018
- Performances historiques : Classement des joueurs ayant remporté le plus de victoires entre 1980 et 2000
- Actions fréquentes : Analyse comparative des actions par équipes (1980 vs 2015)
- BONUS : Étude des tendances de performance des équipes gagnantes au fil du temps
Technologies & Architecture
16
Tables / Fichiers CSV intégrés
38 ans
De données NBA (1980-2018)
100%
Automatisation via scripts Python
💡 Compétences Démontrées
- Conteneurisation avec Docker pour environnements reproductibles
- Modélisation de bases de données relationnelles avec contraintes d'intégrité
- Automatisation de l'ETL avec Python (pandas, psycopg2)
- Requêtes SQL complexes pour analyses statistiques
- Nettoyage et validation de données massives
