叶祁夏季赛循环赛清梦 VS Simon这个名字乍看只是一场普通的电竞循环赛对阵记录。但如果把视角从“看比赛”切换到“拆比赛”会发现这场对局真正值得讨论的不是谁赢了谁输了而是我们如何用数据把一场比赛的胜负逻辑还原出来。很多观众看比赛只关注击杀数和最终比分但职业战队的复盘教练会从资源配置、视野布控、技能时间差、发育曲线这类细节里找问题。普通玩家和战队之间的认知差距往往不是操作差了多少而是复盘深度的差距。本文就以“清梦 VS Simon”这场循环赛为背景整理一套完整的电竞赛事数据复盘方法从数据获取、清洗、分析到可视化每一步都给出可执行代码帮助你把一场比赛的录像变成可量化、可借鉴的技术资料。无论你是数据分析初学者、电竞爱好者还是想给战队做技术支持的开发者这篇文章都适用。读完你会掌握一套通用的赛事分析流水线并且知道怎么用 Python 快速搭建它。1. 这篇文章真正要解决的问题先想一个很实际的问题当你拿到一场比赛的录像或数据表时第一反应是什么大多数人会直接拉到最后看比分然后随口评价一句“某某选手这把打得不好”。但“哪里不好”“为什么不好”“从第几分钟开始不好”这些问题如果只靠肉眼观察很难形成稳定结论。循环赛制下的每场对局又叠加了积分压力。选手状态、英雄/角色选择、地图策略都会相互影响。如果队伍里有队员状态波动教练需要在赛后尽快给出量化反馈。没有数据支撑的复盘很容易变成互相甩锅打野怪中路不支援辅助怪射手站位太靠前。而数据复盘可以让每个决策都有根据。因此这篇文章要解决的核心问题是如何用一套低成本、可复用的数据工具链把一场比赛的关键要素拆解成可对比、可追溯、可可视化的指标。具体来说你会看到循环赛里的数据复盘为什么比淘汰赛更难做。一场比赛要采集哪些最核心的数据维度。用 Python 处理比赛日志、计算关键指标、绘制可视化图表的完整流程。新手做比赛数据分析时经常踩的坑以及对应的排查路径。这不是一篇单纯介绍“电竞数据分析概念”的文章而是从“清梦 VS Simon”这场景出发带你跑通“数据采集 - 数据清洗 - 指标计算 - 可视化 - 结论输出”的完整闭环。2. 循环赛与对局复盘的基本概念2.1 循环赛为什么需要独立的数据视角循环赛Round-robin tournament指的是每支参赛队伍都要与其他所有队伍各赛一场最终以积分排名决定晋级名额。和淘汰赛相比循环赛有更大的样本量但也正因为要打很多场单个小场的“偶然因素”会被放大。比如某支队伍在前期被一波团战打崩这局输了但在整个循环赛里他们可能在另一场对局中展现出了更强的地图控制力。所以分析循环赛时不能只盯着单场输赢而要看跨场次的稳定性指标。例如某选手的单局伤转率、分均经济、前15分钟补刀差等。而具体到“清梦 VS Simon”这一场我们要做的是先建立一个标准复盘框架再把这个框架应用到单局数据中。2.2 复盘需要关注的核心数据维度不同电竞项目的数据指标差异很大但总体可以归类为五个维度维度说明常见指标对线发育衡量单线或全队前期资源获取能力补刀数、分均经济、等级差、防御塔镀层资源控制衡量队伍对地图中立资源的掌控能力小龙/大龙/远古资源、野区营地、视野得分战斗效率衡量团战和对抗的质量击杀死亡助攻、参团率、伤害转化率视野与信息衡量地图信息控制能力插眼数、排眼数、视野得分、控图率阵容节奏衡量阵容在时间轴上的强弱变化阵容成型时间、前期强度、推塔速度这些维度之间并不是独立的。比如视野控制差的队伍往往更容易在小龙刷新时被对方抓到先手发育曲线偏后期的队伍前中期资源控制率通常偏低。复盘的难点在于找到“哪个指标先变化导致连锁反应”。2.3 数据基础时间序列和事件流如果要进入代码层面第一步是理解赛事数据的基本组织方式。绝大多数电竞比赛的数据不是一张静态表格而是带有时间戳的事件流。每场比赛通常包含对局元信息比赛 ID、赛区、版本号、BP 信息、地图、开始时间。事件列表击杀事件、推塔事件、资源刷新/击杀事件、插眼/排眼事件、技能释放事件等。时间序列数据以分钟为单位的双方经济、经验、击杀数、视野分数等。如果你手工记录一场比赛也可以得到近似数据。但如果想自动化处理就需要从官方接口或数据网站导出一个 JSON 或 CSV 文件。本文后面用到的示例数据就是按这种结构组织的。3. 环境准备与前置条件做赛事数据分析不需要太高配置但需要把 Python 环境准备好。以下环境以较通用版本为例如果你的环境版本略有差异不影响整体思路。3.1 软件环境操作系统Windows 10/11、macOS、Linux 均可。Python推荐 3.9 及以上版本。包管理器pip 或 conda。3.2 Python 依赖库我们需要用到以下库pandas数据处理和表格计算。numpy数值计算。matplotlib基础可视化绘图。seaborn高级统计图可选用于更美观的图表。requests请求数据接口如果数据在远端。安装命令pip install pandas numpy matplotlib seaborn requests如果你的网络环境比较特殊安装失败可以使用国内镜像pip install pandas numpy matplotlib seaborn requests -i https://pypi.tuna.tsinghua.edu.cn/simple3.3 数据文件准备在开始分析前我们需要一份比赛数据。实际项目中有两种常见方式从官方赛事数据接口获取 JSON 数据。从数据统计网站导出 CSV或者手动整理表格。为了这篇文章可以完整演示流程我们会在本地创建一个模拟的比赛事件文件match_events.csv并基于它做分析。你之后可以轻松替换成自己导出的真实数据。4. 核心流程拆解从零到一完成一场比赛的数据复盘建议拆成五个步骤确定分析目标。数据采集与导入。数据清洗与字段加工。指标计算与对比。可视化与结论输出。4.1 步骤一确定分析目标盲目跑数据是最常见的错误。分析“清梦 VS Simon”之前先问自己一个问题我是要分析“清梦为什么中期优势被翻盘”还是“Simon 的视野布控如何压制对方”还是“双方阵容在30分钟后的团战胜率差异”分析目标决定了你要重点看哪些数据。目标是“前期压制”那就重点看 15 分钟前的经济差、补刀差、资源控制率。目标是“团战表现”那就重点看参团率、伤害转化率、死亡贡献。4.2 步骤二数据采集与导入接到官方 JSON 或 CSV 后需要用 pandas 读取。如果是 JSON先用json模块解析再转成DataFrame。4.3 步骤三数据清洗与字段加工真实数据会比示例脏很多。常见问题包括时间字段格式不统一。击杀事件里的参与人员有缺失值。同一个玩家在不同事件里 ID 大小写不一致。经济曲线数据有重复行。清洗时我们统一做这几件事重命名列。填充或删除缺失值。统一时间戳单位为“分钟”。将玩家 ID 归一化。4.4 步骤四指标计算与对比这一步会根据你的目标生成新的派生字段。例如击杀参与率 选手击杀数 选手助攻数 / 全队总击杀数。分均经济 总经济 / 比赛持续时间分钟。经济差 己方经济 - 对方经济。视野得分差 己方视野得分 - 对方视野得分。伤害转化率 本队总伤害 / 本队总经济。4.5 步骤五可视化与结论输出最后用图表辅助判断。常用的图包括经济曲线图、击杀事件散点图、选手能力雷达图、资源控制时间线等。5. 完整示例代码实现下面我们用 Python 从零搭建一个小型赛事复盘工具。为了便于演示先构造一份包含基本字段的比赛事件数据然后执行完整的数据分析流程。5.1 构造示例数据先创建一个 CSV 文件match_events.csv。在实际项目中这个文件应该由你的数据采集程序生成。minute,event_type,team,player,detail 1,buy,blue,QingMeng,item_boots 2,ward_placed,blue,QingMeng,ward_pos_a 3,kill,blue,QingMeng,Simon_first_blood 4,ward_cleared,red,Simon,ward_pos_a_cleared 5,neutral_kill,blue,QingMeng,dragon 6,buildings_destroyed,blue,QingMeng,tower_top 7,kill,red,Simon,QingMeng_retreat 8,neutral_kill,red,Simon,herald 10,kill,blue,QingMeng,double_kill 12,buildings_destroyed,red,Simon,tower_mid 15,neutral_kill,blue,QingMeng,dragon 18,kill,red,Simon,team_fight_win 20,buildings_destroyed,blue,QingMeng,inhibitor 22,neutral_kill,blue,QingMeng,baron 25,kill,blue,QingMeng,ace 28,buildings_destroyed,blue,QingMeng,nexus这里我刻意构造了一个 28 分钟的比赛蓝方“清梦”最终获胜。字段含义minute比赛分钟。event_type事件类型如击杀、推塔、资源击杀、插眼、排眼。team队伍标识blue 表示清梦red 表示 Simon。player核心操作者。detail事件详情。这个数据虽然简单但足以演示全流程。5.2 读取数据并查看概览写一个 Python 脚本analysis.py。# 文件路径analysis.py import pandas as pd df pd.read_csv(match_events.csv) print(数据形状, df.shape) print(df.head()) print(df.tail())运行方式python analysis.py预期输出部分数据形状 (15, 5) minute event_type team player detail 0 1 buy blue QingMeng item_boots 1 2 ward_placed blue QingMeng ward_pos_a ...如果能看到列名和数据说明读取成功。5.3 数据清洗与字段加工真实数据会有脏数据所以我们演示清洗思路。# 文件路径analysis.py # 继续上面的脚本 # 1. 统一事件类型小写 df[event_type] df[event_type].str.strip().str.lower() # 2. 把 player 中的空格去掉防止大小写不一致 df[player] df[player].str.replace( , ).str.title() # 3. 删除没有 player 的事件比如某些全局事件 df df.dropna(subset[player]) # 4. 按时间排序 df df.sort_values(minute).reset_index(dropTrue) print(清洗后数据) print(df)在真实项目中你还会处理缺失值和非法字符。这里用dropna处理缺失值用str.title()统一人名大小写。5.4 团队维度指标计算现在计算双方的关键事件数量# 文件路径analysis.py # 团队事件统计 team_stats df.groupby(team)[event_type].value_counts().unstack(fill_value0) print(团队事件统计) print(team_stats)输出类似event_type buildings_destroyed kill neutral_kill ward_cleared ward_placed team blue 2 4 3 0 1 red 2 2 1 1 0从事件计数可以初步判断双方打法蓝方在中立资源上更主动而红方视野清除做得更多。5.5 选手维度指标计算我们可以计算每个选手的击杀参与度。假设击杀事件中player字段记录的是完成最后一击的人那么简单统计击杀数# 文件路径analysis.py kill_df df[df[event_type] kill] kill_counts kill_df.groupby([team, player]).size().reset_index(namekill_count) print(击杀统计) print(kill_counts)如果要算助攻和参与率需要更详细的事件字段。这里仅演示统一接口。5.6 计算经济时间序列并可视化赛事数据里最有价值的图表之一是双方经济随时间变化的曲线。虽然上面的事件数据里没有经济字段我们可以模拟一个经济时间序列。实际项目中economy_data.csv会包含minute、blue_economy、red_economy三列。先生成模拟数据# 文件路径analysis.py import numpy as np minutes np.arange(0, 29, 1) blue_econ 500 200 * minutes np.cumsum(np.random.randint(50, 150, len(minutes))) red_econ 500 180 * minutes np.cumsum(np.random.randint(40, 160, len(minutes))) economy_df pd.DataFrame({ minute: minutes, blue_economy: blue_econ, red_economy: red_econ }) # 计算经济差蓝方 - 红方 economy_df[economy_diff] economy_df[blue_economy] - economy_df[red_economy] print(economy_df.head())然后绘制经济曲线# 文件路径analysis.py import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei] # Windows系统使用黑体macOS可用Arial Unicode MS plt.rcParams[axes.unicode_minus] False fig, ax1 plt.subplots(figsize(10, 5)) ax1.plot(economy_df[minute], economy_df[blue_economy], label清梦, colorblue) ax1.plot(economy_df[minute], economy_df[red_economy], labelSimon, colorred) ax1.set_xlabel(比赛分钟) ax1.set_ylabel(队伍经济) ax1.set_title(清梦 VS Simon 经济曲线) ax1.legend() ax1.grid(True, linestyle--, alpha0.6) ax2 ax1.twinx() ax2.fill_between( economy_df[minute], economy_df[economy_diff], 0, whereeconomy_df[economy_diff] 0, colorblue, alpha0.15, label蓝方经济领先 ) ax2.fill_between( economy_df[minute], economy_df[economy_diff], 0, whereeconomy_df[economy_diff] 0, colorred, alpha0.15, label红方经济领先 ) ax2.set_ylabel(经济差蓝-红) ax2.axhline(0, colorblack, linestyle--, linewidth0.8) plt.tight_layout() plt.savefig(economy_curve.png, dpi150) plt.show()如果脚本运行正常你会看到一张双 Y 轴的经济曲线图。主 Y 轴显示双方的绝对经济副 Y 轴显示经济差。图中蓝色区域表示清梦经济领先红色区域表示 Simon 经济领先。一眼就能看出比赛转折点经济差从哪个时间段开始被拉开或者被追近。5.7 事件时间轴可视化除了经济曲线事件时间轴能帮我们定位关键节点。# 文件路径analysis.py fig, ax plt.subplots(figsize(12, 4)) teams [blue, red] colors {blue: blue, red: red} labels {blue: 清梦, red: Simon} for team in teams: team_df df[df[team] team] ax.scatter( team_df[minute], [team]*len(team_df), colorcolors[team], labellabels[team], s80, edgecolorwhite, zorder3 ) ax.set_yticks([0, 1]) ax.set_yticklabels([清梦, Simon]) ax.set_xlabel(比赛分钟) ax.set_title(清梦 VS Simon 关键事件时间轴) ax.legend() ax.grid(True, axisx, linestyle--, alpha0.4) plt.tight_layout() plt.savefig(event_timeline.png, dpi150) plt.show()这张图可以帮助你快速确认哪一方在什么时间点完成了资源控制哪一方被连续击杀导致节奏崩盘。5.8 雷达图选手六维能力评估将选手表现抽象成六个维度击杀、助攻、经济、输出、视野、推塔。先用模拟数据演示# 文件路径analysis.py import numpy as np import matplotlib.pyplot as plt # 假设数值已经归一化到0~1 qingmeng_scores { 击杀: 0.9, 助攻: 0.6, 发育: 0.8, 输出: 0.7, 视野: 0.5, 推塔: 0.8 } simon_scores { 击杀: 0.7, 助攻: 0.8, 发育: 0.6, 输出: 0.8, 视野: 0.9, 推塔: 0.4 } labels list(qingmeng_scores.keys()) num_vars len(labels) angles np.linspace(0, 2 * np.pi, num_vars, endpointFalse).tolist() angles angles[:1] values_qm [qingmeng_scores[label] for label in labels] values_qm values_qm[:1] values_sm [simon_scores[label] for label in labels] values_sm values_sm[:1] fig, ax plt.subplots(figsize(6, 6), subplot_kwdict(polarTrue)) ax.plot(angles, values_qm, o-, linewidth2, colorblue, label清梦) ax.fill(angles, values_qm, alpha0.25, colorblue) ax.plot(angles, values_sm, o-, linewidth2, colorred, labelSimon) ax.fill(angles, values_sm, alpha0.25, colorred) ax.set_xticks(angles[:-1]) ax.set_xticklabels(labels, fontsize12) ax.set_ylim(0, 1) ax.set_title(选手能力六维雷达图) ax.legend(locupper right, bbox_to_anchor(1.3, 1.0)) plt.tight_layout() plt.savefig(radar_chart.png, dpi150) plt.show()雷达图非常适合做两名选手的横向对比。清梦在击杀、发育、推塔上占优Simon 在助攻、输出、视野上占优。这能帮你客观判断谁更适合哪种战术定位。5.9 生成分析报告最后我们把核心指标汇总并输出成一份简易报告。# 文件路径analysis.py summary pd.DataFrame({ team: [清梦, Simon], 总击杀: [team_stats.loc[blue, kill], team_stats.loc[red, kill]], 推塔数: [team_stats.loc[blue, buildings_destroyed], team_stats.loc[red, buildings_destroyed]], 中立资源: [team_stats.loc[blue, neutral_kill], team_stats.loc[red, neutral_kill]], 视野事件: [ team_stats.loc[blue, ward_placed] team_stats.loc[blue, ward_cleared], team_stats.loc[red, ward_placed] team_stats.loc[red, ward_cleared] ] }) summary.to_csv(match_summary.csv, indexFalse, encodingutf-8-sig) print(分析报告已生成match_summary.csv)6. 运行结果与效果验证6.1 运行完整脚本把上面所有代码段合并到analysis.py中然后运行python analysis.py正常执行后你会看到如下输出清洗后的数据表。团队事件统计。击杀统计。经济数据前 5 行。提示“分析报告已生成match_summary.csv”。同时当前目录下应该生成三个图片文件economy_curve.pngevent_timeline.pngradar_chart.png以及一份 CSV 汇总报告match_summary.csv。6.2 如何判断分析结果是否合理不要只看图表漂不漂亮要问三个问题数据是否和录像一致比如录像里第 10 分钟清梦拿了双杀那么event_timeline.png的这个时间点应该有蓝色点。指标是否会互相矛盾如果一方经济一直领先但推塔数落后说明对方可能在用后期阵容拖延时间单看经济结论会误判。图表能否讲出故事一个好的复盘图应该能让人一眼看到某个关键节点然后顺着这个节点展开讨论。如果发现图表异常先回到原始数据检查时间戳、队伍字段是否对应不要急着改可视化参数。7. 常见问题与排查思路在做“清梦 VS Simon”这类比赛数据复盘时新手最容易遇到下面这些问题问题现象可能原因排查方式解决方案CSV 读取中文乱码文件编码不是 UTF-8用记事本另存为 UTF-8pd.read_csv(xxx.csv, encodingutf-8)或encodinggbkpandas 报 KeyError列名不匹配print(df.columns)查看实际列名统一列名或使用df.rename(columns{...})图表中中文显示为方块系统缺少对应中文字体print(plt.rcParams[font.sans-serif])查看可用字体设置plt.rcParams[font.sans-serif] [SimHei]Windows或[Arial Unicode MS]macOS时间轴重叠看不清事件过于密集检查事件时间精度用minute代替秒或添加抖动jitter经济数据不连续数据源有缺失分钟检查时间列是否有空值df.groupby(minute).mean()重采样并补插值统计总数和官方数据不一致事件类型判断标准不同对比官方计数规则完善事件类型映射表运行脚本提示 ModuleNotFoundError依赖库未安装pip list检查执行pip install pandas matplotlib numpy8. 最佳实践与工程建议8.1 数据命名与字段规范无论是手工记录还是接口拉取建议遵循统一的命名规范队伍统一使用blue/red避免出现“QingMeng”“QM”“qingmeng”多种写法。时间统一为分钟小数例如12.5表示 12 分 30 秒。事件类型统一使用小写加下划线kill、ward_placed、neutral_kill、buildings_destroyed。选手 ID 统一使用大写驼峰QingMeng、Simon。好的命名规范能让你在后续做多场次对比时省下大量清洗时间。8.2 分析脚本的模块化设计不要把全部分析逻辑堆在一个文件里。建议拆成data/ raw/ # 原始数据 processed/ # 清洗后的数据 output/ # 图表和报告 scripts/ load_data.py # 数据加载 clean_data.py # 数据清洗 calculate.py # 指标计算 visualize.py # 可视化 build_report.py # 生成报告这样一个队或者一个选手的所有比赛都能复用同一套代码。8.3 多场比赛的横向对比单场比赛的数据复盘往往容易以偏概全。比如某位选手在一场比赛中拿到了很多击杀但如果你同时看他在循环赛前五场的伤害转化率会发现他的击杀更多依赖队友补伤害。做循环赛分析时建议把多场比赛数据聚合成一张面板表然后做趋势分析分均经济随比赛轮次的变化。视野得分在输赢场之间的差异。前 15 分钟资源控制率与最终胜率的关系。这样能发现选手或队伍的稳定性问题。8.4 安全与合规注意事项如果你要爬取外部赛事数据网站务必注意以下几点只采集公开数据不碰付费接口和登录后数据。控制请求频率避免给对方服务器带来压力。遵守网站robots.txt和用户协议。如果官网提供官方 API优先使用官方 API。另外将数据用于个人学习没问题但如果要对外发布分析报告建议做匿名化处理避免涉及选手隐私和未公开的内部数据。8.5 版本兼容与可复现性Python 依赖库迭代很快建议在项目目录下创建requirements.txtpandas2.0.3 numpy1.24.3 matplotlib3.7.2 seaborn0.12.2 requests2.31.0运行时使用虚拟环境python -m venv venv source venv/bin/activate # Windows 下用 venv\Scripts\activate pip install -r requirements.txt这样你的分析代码在任何机器上都能复现相同结果。8.6 复盘的最终输出要有人读数据图只是中间产物最终复盘一定要落到结论。建议每次分析结束时输出一页文档包含比赛基本信息。一到两句话总结胜负关键。三个关键数据点比如“第15分钟经济差达到3000”“视野得分差为8”。两队下一场的改进建议。不要把几十张图直接丢给教练那样和没分析没有本质区别。9. 总结与后续学习方向这篇文章以“叶祁夏季赛循环赛清梦 VS Simon”为背景完整演示了赛事数据分析的基础流程。从清洗比赛事件明细到计算团队和选手指标再到绘制经济曲线、事件时间轴和雷达图你已经可以用 Python 独立完成一场比赛的技术复盘。更值得关注的是这套方法论并不仅限于这一场对局。换成其他队伍、其他赛区甚至其他电竞项目核心逻辑依然成立先确定分析目标再统一数据结构然后用可复现的脚本计算关键指标最后让图表帮助你把结论讲清楚。如果你接下来想深入学习建议从三个方向继续时间序列分析用 pandas 的滚动窗口和重采样方法分析经济和视野得分的动态变化。选手表现预测模型基于多场循环赛数据用机器学习模型预测某位选手在下场比赛中是否可能成为关键先生。自动复盘报告生成把可视化结果和文字套话模板结合使用jinja2生成带图表的 Markdown 或 Word 报告。最后给你一个简单但重要的建议第一次做比赛数据复盘不要一开始就追求复杂的模型。先把自己当作“数据整理员”把一场比赛的数据老老实实清洗干净画出一张能讲得清故事的经济曲线图你就已经比大部分只看比分的人更接近比赛的本质了。收藏这篇文章下次看循环赛视频时不妨同步打开数据分析脚本你会发现原来“看比赛”和“读比赛”完全是两种体验。
