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。常见维度包括维度含义通俗解释KDA击杀、死亡、助攻的综合比值评价选手生存和参与击杀的能力分均补刀平均每分钟补刀数衡量发育能力和基本功分均伤害平均每分钟造成的伤害衡量输出效率伤害占比个人伤害占团队总伤害的比例衡量在这个阵容里的输出责任参团率参与击杀数占团队总击杀数的比例衡量支援和团战参与度视野得分视野控制相关综合评分衡量对地图信息的贡献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.txtmatplotlib3.6 numpy1.23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 numpy5.2 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, endpointFalse).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_kwdict(polarTrue)) # 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, fontsize12) # 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], fontsize9) # 绘制 NIP 选手 ax.plot(angles, nip_values, linewidth2, linestylesolid, labelNIP Player) ax.fill(angles, nip_values, alpha0.25, label_nolegend_) # 绘制 WBG 选手 ax.plot(angles, wbg_values, linewidth2, linestylesolid, labelWBG Player) ax.fill(angles, wbg_values, alpha0.25, label_nolegend_) # 添加图例和标题 ax.legend(locupper right, bbox_to_anchor(1.3, 1.1), fontsize12) plt.title(赛后数据雷达图对比示例, fontsize14, pad25) # 保存图片便于发布到博客 plt.savefig(radar_chart.png, dpi150, bbox_inchestight) 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polarTrue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。问题现象可能原因排查方式解决方案雷达图不是闭合图形数据没有首尾相接检查数据长度是否比维度多 1执行data data[:1]闭合数据中文显示为方块系统缺少中文字体或未设置字体查看终端是否输出字体警告设置plt.rcParams[font.sans-serif]某个维度明显失衡未对原始数据做归一化检查各维度数据量级是否一致使用 Min-Max 归一化或百分制转换不同选手面积对比失真坐标轴范围不一致检查set_ylim是否统一统一 y 轴范围例如 0 到 100雷达图过于拥挤数据维度太多检查是否同时展示 8 个以上指标精简维度优先保留最关键指标数据来源不确定官方数据口径不清查阅官方赛后数据页面在图中标注数据来源与时间两局数据无法对比比赛时长、阵容差异过大检查比赛背景增加时长和阵容标注避免直接比较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。