企业官网建设流程全解析

"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：

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/simple

3.3 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：

1. 从官方赛事数据接口获取 JSON 数据。
2. 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：

1. 确定分析目标。
2. 数据采集与导入。
3. 数据清洗与字段加工。
4. 指标计算与对比。
5. 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(drop=True) 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_value=0) 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(name="kill_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", color="blue") ax1.plot(economy_df["minute"], economy_df["red_economy"], label="Simon", color="red") 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="--", alpha=0.6) ax2 = ax1.twinx() ax2.fill_between( economy_df["minute"], economy_df["economy_diff"], 0, where=economy_df["economy_diff"] >= 0, color="blue", alpha=0.15, label="蓝方经济领先" ) ax2.fill_between( economy_df["minute"], economy_df["economy_diff"], 0, where=economy_df["economy_diff"] < 0, color="red", alpha=0.15, label="红方经济领先" ) ax2.set_ylabel("经济差（蓝-红）") ax2.axhline(0, color="black", linestyle="--", linewidth=0.8) plt.tight_layout() plt.savefig("economy_curve.png", dpi=150) 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), color=colors[team], label=labels[team], s=80, edgecolor="white", zorder=3 ) 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, axis="x", linestyle="--", alpha=0.4) plt.tight_layout() plt.savefig("event_timeline.png", dpi=150) 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, endpoint=False).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_kw=dict(polar=True)) ax.plot(angles, values_qm, "o-", linewidth=2, color="blue", label="清梦") ax.fill(angles, values_qm, alpha=0.25, color="blue") ax.plot(angles, values_sm, "o-", linewidth=2, color="red", label="Simon") ax.fill(angles, values_sm, alpha=0.25, color="red") ax.set_xticks(angles[:-1]) ax.set_xticklabels(labels, fontsize=12) ax.set_ylim(0, 1) ax.set_title("选手能力六维雷达图") ax.legend(loc="upper right", bbox_to_anchor=(1.3, 1.0)) plt.tight_layout() plt.savefig("radar_chart.png", dpi=150) 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", index=False, encoding="utf-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.png
• event_timeline.png
• radar_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：

1. 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。
2. 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。
3. 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：

8. 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.txt：

pandas==2.0.3 numpy==1.24.3 matplotlib==3.7.2 seaborn==0.12.2 requests==2.31.0

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。