How stpipa/mlbb-eda-project works
Para crear un diagrama de arquitectura preciso y detallado para este proyecto de Análisis Exploratorio de Datos (EDA) y Dashboard de Mobile Legends: Bang Bang, sigue estos pasos, adaptados a la estructura y propósito específicos:
Identificación del tipo de proyecto y propósito
• Este es un proyecto de ciencia de datos / EDA con una capa de visualización web (Streamlit).
• Incluye:
• Extracción de datos desde la API de MLBB
• Transformación y limpieza de datos (ETL)
• Análisis exploratorio y generación de reportes
• Dashboard interactivo con Streamlit
Componentes principales
a. Fuente de datos externa
• Componente: API de estadísticas de MLBB (api_mobilelegends.py)
• Tipo: Servicio REST externo
b. Módulo de configuración
• Archivo: config/config.py
• Propósito: Centralizar la URL base de la API y otros parámetros
c. ETL (Extracción, Transformación, Carga)
• Scripts:
• src/eda_mobilelegends.py (extracción y limpieza)
• src/pipeline_daily.py (pipeline diario programado)
• Tecnología: Python + pandas + requests
• Salida: Archivos CSV en data/
d. Almacenamiento de datos
• Directorio: data/
• Archivos:
• mobile_legends_data.csv (dataset limpio)
• mobile_legends_data_clean.csv y mobile_legends_data_historical.csv
e. Análisis Exploratorio y Reportes
• Scripts:
• src/eda_analysis.py (gráficos EDA con matplotlib, seaborn, plotly)
• src/reporting.py (genera .txt en reports/)
• Salida: Reportes de tendencia en reports/
f. Dashboard Web
• Script: src/streamlit_dashboard.py
• Framework: Streamlit
• Interacciones:
• Visualización de Win Rate vs. Ban Rate
• Filtrado por rol y línea
• Consulta de héroe histórico
g. Entorno de desarrollo
• .devcontainer/devcontainer.json para reproducibilidad
• requirements.txt para dependencias
Relaciones e interacciones
• Flecha desde API MLBB → ETL (requests → pandas)
• ETL → Data Storage (archivos CSV)
• Data Storage →
• EDA Analysis → Reportes
• Streamlit Dashboard (lectura para UI)
• Pipeline diario (cron/GitHub Actions) desencadena ETL automáticamente
• Configuración inyectada en todos los scripts que llaman a la API
Patrones y principios arquitectónicos
• Pipeline: separación clara entre extracción, transformación y carga
• Capa de presentación: Dashboard aislado de la lógica de datos
• Configuración centralizada para facilidad de mantenimiento
• Reproducibilidad: contenedor de desarrollo y requirements.txt
Guías para el diagrama
• Componentes:
• Externo: API MLBB (rectángulo con nube)
• ETL: dos rectángulos (extracción & limpieza, pipeline diario)
• Almacenamiento: cilindro (CSV files)
• EDA & Reporting: rectángulo
• Dashboard: rectángulo UI
• Configuración & DevContainer: rectángulos auxiliares
• Etiquetas: Nombre del script/servicio y tecnología clave (p.ej., “EDA Analysis – Python/pandas”)
• Flechas direccionales: flujo de datos (API → ETL → Data → EDA/Reporting → Dashboard → Usuario)
• Colores/Formas:
• Naranja para componentes de datos (ETL, almacenamiento)
• Azul para lógica de análisis (EDA, reporting)
• Verde para presentación (Streamlit)
• Gris para infra (configuración, contenedor)
• Notas: Indicar frecuencias (por ejemplo, “pipeline_daily.py – cada 24h”)
Detalles adicionales a capturar
• Carpeta assets/ (si contiene imágenes o recursos estáticos)
• Directorio reports/ como output final de análisis programado
• Dependencias clave (pandas, requests, matplotlib, seaborn, plotly, streamlit)
Con esta guía, el diagrama mostrará claramente cada capa del proyecto, sus componentes, flujos de datos y tecnologías, facilitando la comprensión y futuros mantenimientos o escalados.