Quand j’étais enfant, mon héros de baseball était Mickey Mantle. Au cours de ses 18 années de carrière dans la Major League, il a accumulé d’énormes statistiques et il était sûrement l’un des plus grands de tous les temps. Lorsque Mantle a pris sa retraite, il était troisième sur la liste de tous les temps en carrière avec 536 circuits, derrière Babe Ruth (714) et Willie Mays (587). Malheureusement, il a subi de nombreuses blessures, laissant les fans se demander à quoi ressembleraient ses chiffres s’il avait connu une carrière plus saine.

Pendant des décennies, beaucoup de gens ont considéré (et considèrent toujours) Babe Ruth comme le plus grand joueur de baseball polyvalent, car il était un lanceur vedette et un frappeur vedette. Le contre-argument au « et si » de Mantle est le suivant : et si Ruth n’avait pas passé ses six premières années en tant que lanceur et avait plutôt été frappeur à plein temps ? (De même, et si Ted Williams n’avait pas passé certaines de ses meilleures années dans l’armée.)

De nos jours, Shohei Ohtani est certainement une star à double sens unique dans une génération. Cependant, il a passé ses premières années de gloire dans le baseball professionnel japonais et il ne lui reste peut-être pas assez de temps dans le baseball américain pour accumuler ces statistiques historiques sur toute une vie. Aaron Judge est un autre frappeur moderne exceptionnel ; j’espère qu’il reste en bonne santé afin que nous puissions voir ses chiffres de carrière grimper.

Pour comparer objectivement les statistiques de Mantle et Ruth sur la vie, je me suis tourné vers les données. L’ensemble de données de baseball Sean Lahman contient les statistiques des joueurs de la Major League remontant à 1871 et est disponible dans la bibliothèque R. lahman. C’était une bonne occasion de pratiquer la manipulation de données en utilisant dplyr.

Ruth a joué 102 matchs de plus que Mantle au cours d’une carrière de 22 ans (2 503 contre 2 401). Ses statistiques à vie éclipsent celles de Mantle dans toutes les catégories offensives, à l’exception des bases volées – bien que Ruth ait volé 10 fois et réussi près de deux fois plus de triples, ce qui suggère qu’il était plus rapide que la plupart ne le pensent. Sa moyenne au bâton à vie était impressionnante de 0,342, juste derrière Tris Speaker et Ted Williams.

La protection de l’alignement a joué un rôle majeur pour les deux hommes. Ruth frappait généralement directement avant Lou Gehrig, et Mantle frappait directement avant Yogi Berra. Alors que Ruth et Mantle ont fait de nombreux buts sur balles, les lanceurs ont probablement rarement choisi de les faire marcher intentionnellement juste pour affronter Gehrig ou Berra.

J’étais également curieux de connaître leurs mesures défensives. Pour une comparaison équitable, j’ai filtré les données pour isoler uniquement leurs apparitions sur le terrain. Il n’y a aucune valeur à comparer un lancer de champ extérieur à une passe décisive que Ruth a réalisée sur un joueur au sol de retour en lançant. De même, j’ai exclu les apparitions de Mantle sur le terrain ; il a principalement joué au premier but au cours de ses deux dernières saisons et a occupé brièvement d’autres postes sur le terrain au début de sa carrière.

Ruth a joué 222 matchs de plus que Mantle (2 241 contre 2 019). Leurs sorties totales sur le terrain étaient presque identiques, probablement parce que Mantle jouait sur le terrain central et couvrait plus de terrain. Cependant, Ruth a enregistré près de deux fois plus de passes décisives (204 contre 117), ce qui correspond à la force des bras attendue d’un ancien lanceur. Bien que les 204 passes décisives de Ruth ne correspondent pas aux 266 de stars telles que Roberto Clemente, cela reste un nombre très respectable.

En fin de compte, les données montrent que même si vous ignorez complètement sa carrière de lanceur, Babe Ruth a construit une carrière exceptionnelle et autonome à la fois en tant que frappeur et défenseur.

              
          MANTLE  RUTH
games       2401  2503
at_bats     8102  8398
runs        1677  2174
hits        2415  2873
doubles      344   506
triples       72   136
home_runs    536   714
BA         0.298 0.342
rbi         1509  2217
sb           153   123
bb          1733  2062
so          1710  1330
games_of    2019  2241
putouts     4438  4444
assists      117   204

Voici mon code R :

library(Lahman)
library(tidyverse)

data(People)
which(People$nameLast == "Mantle")   # 11773,  playerID = mantlmi01
which(People$nameLast == "Ruth")   # 16674 , playerID = ruthba01 
data(Batting)    
data(Fielding)   # for fielding, want games in outfield POS == 'OF'

df_fielding <- Fielding %>% 
  filter(playerID %in% c('mantlmi01', 'ruthba01'), POS == 'OF') %>% 
  group_by(playerID) %>% 
  summarize(games_of = sum(G, na.rm = TRUE), putouts = sum(PO, na.rm = TRUE),
    assists = sum(A, na.rm = TRUE)
  )

df <- Batting %>% 
  filter(playerID %in% c('mantlmi01', 'ruthba01')) %>% 
   group_by(playerID) %>% 
   summarize(games = sum(G, na.rm = TRUE), at_bats = sum(AB, na.rm = TRUE),
                runs = sum(R, na.rm = TRUE), hits = sum(H, na.rm = TRUE),
                doubles = sum(X2B, na.rm = TRUE), 
                triples = sum(X3B, na.rm = TRUE), home_runs = sum(HR, na.rm = TRUE),
                BA = round(hits / at_bats,3), 
                rbi = sum(RBI, na.rm = TRUE),  sb = sum(SB, na.rm = TRUE),
                bb = sum(BB, na.rm = TRUE),  so = sum(SO, na.rm = TRUE),
                )  %>%
  merge(df_fielding, by = "playerID", all.x = TRUE) 

df_transposed <- as.data.frame(t(df))
colnames(df_transposed) <- c("MANTLE", "RUTH")
df_transposed <- df_transposed[-1, ]
df_transposed

Fin