企业官网建设流程全解析

先说结论：赛后数据雷达图，真正值得看的不是那张图的形状，而是形状背后的比赛逻辑。很多人赛后只扫一眼“谁的面积大”，就把雷达图当成“谁更强”的简单证据。但实际上，雷达图是一种多维数据的可视化方式，它擅长回答的不是“谁赢”，而是“为什么赢”“赢在哪一路”“输的一方到底输在哪个维度”。

NIP 2-1 WBG 这场系列赛，正好是一个适合拿来拆解的案例。2-1 的比分说明两队实力非常接近，三局比赛里大概率出现过阵容调整、战术换线和选手状态的起伏。在这种情况下，单看比分很难判断胜负手，而赛后数据雷达图能把选手的个人表现压缩到几个关键维度里，让观众快速定位问题。这篇文章不打算复述官方赛后数据的每个具体数值，而是想讲清楚雷达图怎么读、怎么画、怎么避免误读，给同样关注赛事数据分析的读者一套可复用的方法。

如果你是 LPL 观众，这篇文章能帮你从“看热闹”变成“看门道”；如果你是做赛事数据产品的开发者，这篇文章里的雷达图绘制思路和工程建议可以直接参考。读完后，你能做到三件事：看懂赛后雷达图的维度含义，判断哪些数据差异具有战术意义，以及用 Python 快速复现一张可发布的雷达图。

1. 这篇文章真正要解决的问题

赛后数据雷达图看起来门槛很低，实际上误读率非常高。最常见的问题有三个。

第一个问题是“只比面积，不比维度”。雷达图把 KDA、分均伤害、经济占比、视野得分等多个指标放在同一个图形里，面积确实能反映综合表现的整体高低，但不同位置的选手在雷达图上的“合理形状”完全不同。拿上单和辅助比面积，本身就不公平。第二个问题是“只看数值，不看背景”。版本不同、阵容不同、比赛时长不同，同样的分均伤害含义完全不同。第三是“只看单局，不看系列赛”。BO3 的雷达图应该放三局一起看，才能看出选手是越打越好，还是状态持续下滑。

这篇文章要解决的问题，就是把雷达图从“一张赛后配图”变成“一个分析工具”。我会先解释雷达图的核心概念和常用维度，再以 NIP 2-1 WBG 这场 BO3 为背景，讲清楚系列赛场景下应该怎么读图，最后给出 Python 绘制雷达图的完整示例，以及常见误区和工程建议。

最需要读这篇文章的读者有两类。一类是电竞内容作者、赛事分析爱好者，你们需要把雷达图讲得比官方配图更深入；另一类是刚接触数据分析的开发者，想做一个简单的赛事数据可视化项目，雷达图是一个很好的练手题目。

2. 赛后数据雷达图到底是什么

雷达图，也叫蜘蛛图、星图，是一种在二维平面上展示多维数据的图表。它从一个中心点向外延伸出多条坐标轴，每条轴代表一个指标，轴上的刻度代表指标数值，将所有轴的数值点连线后，就形成一个闭合多边形。

在英雄联盟赛后数据里，雷达图通常用于展示单个选手在一场比赛中的综合表现。常见维度包括：

这些维度并不是官方唯一的标准。不同数据平台会根据自己的口径增加或调整指标，比如承伤占比、经济占比、单杀次数、前期领先率等。所以看雷达图之前，第一件事是先确认坐标轴到底有哪些维度，而不是直接看图说话。

需要特别注意的是，雷达图上的数值往往不是原始数值，而是经过归一化处理的相对值。因为“分均伤害”可能是 500 到 700 的量级，“参团率”是 0 到 100 的百分比，如果不做归一化，量级大的指标会直接压过量级小的指标，图形会严重失真。这也是绘制雷达图时最常见的工程问题。

对于 NIP 2-1 WBG 这种 BO3 系列赛，雷达图还应该按局数拆分。因为一场系列赛里，双方会有 BP 调整、选手状态波动、英雄选择变化，三局的雷达图放在一起，才能看出“调整是否生效”。只取三局的汇总平均值，很可能会掩盖关键转折。

3. NIP 2-1 WBG 这个比分说明了什么

从结果看，NIP 以 2-1 战胜 WBG，拿下了这场 BO3。2-1 是一个很微妙的结果，它不是 2-0 那种相对清晰的碾压，也不是 1-2 惜败。它通常说明三件事：双方实力接近、战术调整在系列赛中发挥作用、决胜局存在明显的胜负手。

在这种背景下，赛后数据雷达图的价值会明显放大。因为三局比赛里，两队的胜负关系大概率不是均匀分布的。可能 NIP 先赢一局，WBG 第二局通过阵容调整扳平，决胜局 NIP 又在关键团战里取胜。每一局的雷达图都会呈现不同的形状：赢的一局，输出核心的伤害占比往往更高；输的一局，视野得分或承伤数据可能暴露问题。

当然，具体到这场比赛，选手的个人数据、单局走势、BP 细节都必须以官方赛后数据为准。本文不展开复述具体数值，是因为赛事的原始数据需要官方口径确认，擅自引用容易失真。本文更想强调的是读图方法：拿到赛后雷达图之后，不要急着评价“谁强谁弱”，先问自己三个问题。

第一个问题是“这一局的胜负，是否体现在数据上”。比如一方赢下比赛，但对方中单的分均伤害反而更高，这时候雷达图就不该被解释成“伤害高所以表现好”，而应该思考“伤害高但输了，是不是说明输出打在了无效时间”。

第二个问题是“双方选手的位置是否对等”。比较两个 ADC 的雷达图是合理的，但拿 ADC 和打野比视野得分、拿上单和辅助比参团率，都不够严谨。雷达图更适合“同位置选手对比”和“同一选手跨局对比”。

第三个问题是“数据差异背后有没有阵容原因”。一个发育型中单和一个游走型中单的雷达图形状本来就不一样，单纯的数值高低不能说明谁更优秀。雷达图只能展示“发生了什么”，无法直接解释“为什么发生”，原因要回到 BP、对线、团战录像里找。

所以，NIP 2-1 WBG 这个比分相当于给雷达图提供了三组可对照的样本。如果你能拿到三局的分局数据，就可以做一次完整的系列赛复盘：先看每一局的胜方雷达图，再看败方雷达图，最后对比两队的调整逻辑。

4. 如何正确读懂雷达图

读雷达图不是看一个形状就下结论，而是有一套可以固化的步骤。我建议按下面的顺序来看。

第一步，先看坐标轴维度。确认这张图包含哪些指标，是原始值还是归一化值。如果某个平台的雷达图把 KDA 和视野得分放在一起，却没有任何归一化说明，这张图的可信度就要打折扣。

第二步，看多边形形状。形状越“饱满”，说明选手在多个维度上没有明显短板；形状越“尖锐”，说明存在某项特别突出，同时往往对应另一项偏弱。比如一个选手伤害占比极高、参团率却很低，可能是“单带核心”打法；如果承伤极高、伤害却很低，可能是前排扛伤型角色。

第三步，比较面积时要限定前提。面积用于比较的前提是：同一系列赛、同一位置、同样的数据维度、同样的归一化口径。满足这些条件时，面积大通常意味着综合数据贡献高，但不能直接等同于“表现更好”。

第四步，结合比赛时长和阵容看数据。比赛拖到 40 分钟以后，分均伤害、总伤害、经济数据都会整体抬高。将 25 分钟的速推局和 45 分钟的鏖战局放在同一张雷达图里比较，很容易得出错误的“强弱”结论。

第五步，看系列赛的趋势。BO3 一定要把三局雷达图并列，看选手的状态是上升还是下降。一个选手第一局 90 分、第二局 60 分、第三局 85 分，和另一个选手每局稳定在 70 分，两者在系列赛里的价值完全不同。

常见的误读包括：把雷达图当成“MVP 评选标准”，实际上 MVP 评选还要考虑关键团战、操作细节和战术权重；把面积小的选手直接定义为“拖后腿”，实际上可能只是承担了开团、承伤等不易量化的任务；把一局的数据当成整套系列赛的结论，实际上单局数据受阵容和节奏影响非常大。

5. 用 Python 复现赛后数据雷达图

读懂雷达图之后，更好的方法是你自己动手画一张。这样你就能自由选择维度、调整归一化方式，也可以按局数、按选手生成自己的赛后分析图。下面用 Python 的 Matplotlib 实现一个可运行的雷达图示例。

先说明一点：以下代码中的选手数据是用于演示绘图方法的示例数据，不代表任何真实比赛的官方数值。真实项目中，你需要从赛事数据接口或手工整理的数据表中读取数据。

5.1 环境准备

建议使用 Python 3.8 以上版本，并安装以下依赖。你可以创建一个requirements.txt：

matplotlib>=3.6 numpy>=1.23

安装命令：

pip install -r requirements.txt

如果只为了跑通示例，也可以直接安装两个核心库：

pip install matplotlib numpy

5.2 完整实现代码

新建文件radar_chart_demo.py，代码如下：

# -*- coding: utf-8 -*- """ 赛后数据雷达图绘制示例 说明：数据为演示用示例数据，不代表真实比赛结果 """ import numpy as np import matplotlib.pyplot as plt from math import pi # 雷达图维度 metrics = ['KDA', '分均补刀', '分均伤害', '伤害占比', '参团率', '视野得分'] # 示例数据，取值已经过归一化处理，范围控制在 0-100 之间 # 这里构造一名 NIP 选手和一名 WBG 选手的对比 nip_player = [82, 78, 85, 76, 72, 70] wbg_player = [74, 80, 68, 65, 78, 75] # 数据长度必须和维度数量一致 num_vars = len(metrics) # 计算每个维度的角度，并将图形闭合 angles = np.linspace(0, 2 * pi, num_vars, endpoint=False).tolist() angles += angles[:1] def normalize_data(data): """将数据首尾相接，确保雷达图是闭合多边形""" return data + data[:1] nip_values = normalize_data(nip_player) wbg_values = normalize_data(wbg_player) # 初始化画布 fig, ax = plt.subplots(figsize=(8, 8), subplot_kw=dict(polar=True)) # 设置雷达图的坐标轴 ax.set_theta_offset(pi / 2) # 起点放在正上方 ax.set_theta_direction(-1) # 顺时针方向排列 ax.set_xticks(angles[:-1]) # 设置维度标签位置 ax.set_xticklabels(metrics, fontsize=12) # 设置 y 轴范围 ax.set_ylim(0, 100) ax.set_yticks([20, 40, 60, 80, 100]) ax.set_yticklabels(['20', '40', '60', '80', '100'], fontsize=9) # 绘制 NIP 选手 ax.plot(angles, nip_values, linewidth=2, linestyle='solid', label='NIP Player') ax.fill(angles, nip_values, alpha=0.25, label='_nolegend_') # 绘制 WBG 选手 ax.plot(angles, wbg_values, linewidth=2, linestyle='solid', label='WBG Player') ax.fill(angles, wbg_values, alpha=0.25, label='_nolegend_') # 添加图例和标题 ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1), fontsize=12) plt.title('赛后数据雷达图对比示例', fontsize=14, pad=25) # 保存图片，便于发布到博客 plt.savefig('radar_chart.png', dpi=150, bbox_inches='tight') plt.show()

这段代码的关键逻辑有四部分。第一部分是用np.linspace生成均匀分布的六个角度，对应六个指标。第二部分是用data + data[:1]把数据首尾相连，否则画出来的多边形不会闭合在起点。第三部分是设置polar=True，让 Matplotlib 使用极坐标系绘制雷达图。第四部分是fill方法填充半透明色块，让两张图的对比更直观。

5.3 运行与验证

在终端运行：

python radar_chart_demo.py

正常运行后，会弹出绘图窗口，并生成一张radar_chart.png图片。判断成功的标准有两个：图片中没有中文乱码；NIP 选手的蓝色多边形和 WBG 选手的橙色多边形能够清晰区分。

如果你在运行后遇到中文显示为方块的问题，可以在代码里添加中文字体设置，例如：

plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC'] plt.rcParams['axes.unicode_minus'] = False

在实际项目中，你还可以把示例数据替换成pandas读取的 CSV 或 JSON 数据，生成多局对比的雷达图。比如将三局的选手数据依次循环绘制，就能得到系列赛状态变化图。

6. 常见问题与排查方法

自己在画图或读图时，可能会遇到一些问题。下面整理成表格，方便直接对照排查。

如果你用真实赛事数据，还要注意一个问题：不同数据平台的指标定义可能不同。比如“视野得分”的计算方式，有的平台包含排眼、插眼、扫描收益，有的平台只统计视野分数。跨平台对比同一场比赛的数据，要谨慎处理。

7. 电竞数据分析的最佳实践与工程建议

雷达图虽然好用，但它只是赛事数据分析中的一环。如果要做成一个稳定、有价值的数据分析项目，下面几条建议值得参考。

第一条，数据来源要规范，来源要标注。赛后数据的正规来源是赛事官方渠道和授权数据平台。个人项目可以用公开数据做学习，但如果发布到公开平台或用于商业用途，要注意版权和授权边界。在图表上注明数据来源、比赛场次、数据口径，既能增加可信度，也方便读者复核。

第二条，原始数据清洗比画图更重要。比赛数据里经常出现缺失值、异常值和重复记录。比如某位选手一场比赛没有参与任何击杀，参团率计算时可能造成除零问题；再比如比赛时长异常短的数据，会明显影响分均类指标。画图之前，要对数据做缺失值处理和异常值检查。

第三条，归一化口径要统一。雷达图最忌讳“半路出家”的数据。如果维度里既有百分比指标，又有绝对数值指标，建议先做 Min-Max 归一化或 z-score 标准化。归一化的上下界一旦确定，同系列赛的所有选手都要使用同一套上下界，否则图形不具备可比性。

第四条，区分位置再分析。在真实赛事分析里，ADC 和中单通常承担高伤害责任，辅助更关注视野和参团率，上单和打野则要结合承伤与开团表现。将选手按位置分组后，再画雷达图或对比雷达图，分析结论才更可靠。

第五条，雷达图适合展示，不适合做唯一结论。比赛结果受 BP、版本、状态、团队协作等多重因素影响。数据能告诉你“这一局经济差在哪个时间点拉开”，但很难直接告诉你“为什么那波团战会输”。做分析时，最好把雷达图、经济曲线、团战记录和录像片段结合起来看。

第六条，工程上要关注自动化和可复用。如果要做比赛日自动化产出，建议把“数据获取、数据清洗、指标计算、雷达图生成、图片上传”拆成独立的模块。比赛结束后运行一次脚本，自动导出选手对比图，甚至批量生成“胜方雷达图”“败方雷达图”“系列赛趋势图”多张图片。

这里给一个简化后的目录结构，方便你组织项目：

lol-data-analysis/ ├── data/ │ ├── raw/ # 原始比赛数据 │ └── processed/ # 清洗后的数据 ├── src/ │ ├── fetch_data.py # 数据获取 │ ├── clean_data.py # 数据清洗 │ ├── metrics.py # 指标计算 │ └── draw_radar.py # 雷达图绘制 ├── output/ │ └── radar_chart.png └── requirements.txt

这种模块化设计的核心价值，是让你从“手动复制数据画图”变成“脚本一键出图”。长期做赛事分析内容的话，这个效率提升非常明显。

8. 总结与后续学习方向

这篇文章围绕 NIP 2-1 WBG 这场 BO3 的赛后数据雷达图，讲清楚了三个层面的内容：雷达图是什么、怎么读、怎么画。雷达图不是赛后数据页上的一张装饰图，它是一种需要结合维度、归一化方式、比赛背景和系列赛趋势来解读的复杂可视化工具。2-1 的比分意味着两队差距很小，这种情况下，雷达图能帮助我们定位“胜负手到底出现在哪个位置、哪个维度、哪一局”。

如果你是这个领域的初学者，下一步可以选一场完整的 BO3 比赛，收集三局的分局数据，自己动手画出每局每名选手的雷达图，再写一段简短的复盘文字。画图本身并不难，难的是你能不能用数据解释比赛进程。

如果你是开发者，则可以进一步尝试把雷达图接入一个完整的数据分析流水线，加入经济曲线、视野得分走势，做成交互式面板。到这一步，你已经不只是“看数据”，而是在构建赛事分析的决策工具。

最后提醒一句：所有数据都要以官方口径为准，不要因为雷达图形状好看就下结论。数据只是比赛的一种投影，真正的比赛永远在召唤师峡谷里。