企业官网建设流程全解析

在 LPL 这类职业电竞赛事结束后，数据网站上最常见的复盘配图之一就是“赛后数据雷达图”。类似“NIP 2-1 WBG 赛后数据雷达图”的标题，在比赛结束后的复盘文章、数据统计站点和社区讨论里出现频率很高。雷达图之所以被高频使用，是因为它能把 KDA、分均伤害、分均经济、视野得分、资源控制等不同维度的比赛数据压缩到一张图里，让读者快速看出两支队伍在哪些方面占优。这篇博客以 NIP 2-1 WBG 这场系列赛的场景为例，从数据理解、环境准备、数据整理、标准化、雷达图绘制到结果解读，完整走一遍“赛后数据雷达图”的制作流程。文中的数据为演示用示例数据，不是官方真实数据，重点在于把整套方法讲清楚，让读者可以拿任何一场比赛的数据直接套用。

1. 先理解赛后数据雷达图到底在表达什么

1.1 雷达图的本质：在同一个坐标系里比较多个维度的相对强弱

雷达图也叫蜘蛛网图、星形图，本质上是一个极坐标系下的折线图。每个指标占据一条从圆心向外延伸的轴，指标数值映射到轴的半径位置，把所有指标对应的点连接起来，就会形成一个闭合多边形。两支队伍的数据叠加在同一张图上，形状越饱满，代表这一维度数值越高；两条折线的面积差和方向差，代表了多维数据的整体差异。

如果只看单个指标，条形图或折线图比雷达图更精确。雷达图的价值在于同时呈现多个维度的“组合形态”。比如某支队伍 KDA 高、视野得分低，在雷达图上会形成“有一部分凸出、有一部分凹陷”的不规则形状；另一支队伍各维度都比较平均，则接近正多边形。这种形状差异比单纯看数字更有直觉冲击力，适合解说、图文复盘和短视频展示。

但也要注意一个关键限制：雷达图的面积和形状会受到指标排列顺序、指标数量、刻度范围影响。同样的数据，指标顺序打乱后，图形的“尖角”位置会变化，但相对关系不变。因此，做雷达图时最好固定指标顺序，避免每次输出形态不一致。

1.2 赛后数据雷达图适合放哪些指标

英雄联盟的赛后统计字段很多，但不能全部塞进雷达图。一个雷达图塞十多个指标，视觉上会变成密密麻麻的蜘蛛网，反而没有重点。常见做法是选取 5 到 7 个能反映队伍综合实力的核心指标。

下面是一组常用指标及说明：

这些指标放在一起，基本可以覆盖“打架能力、发育能力、地图控制、视野博弈”四个维度。实际使用时，可以去掉“分均补刀”，因为分均经济已经部分包含补刀信息；也可以把“一血率”“推塔数”加进来，但指标总数尽量控制在 7 个以内。

需要注意一点：不是所有指标都是“越高越好”。比如场均死亡越低越好、场均用时越短越好。如果要把这类指标放进雷达图，必须做方向转换，例如使用“倒数”或“1 - 归一化值”，否则会误导看图的人。

1.3 为什么不能直接把原始数据画上去

先看一组模拟数据维度变化：

• KDA 通常在 2 到 6 之间。
• DPM 通常在 1500 到 3000 之间。
• VSPM 通常在 2 到 5 之间。
• 资源控制率是 0 到 1 之间的小数。

如果直接把原始数值作为半径画图，DPM 会在外圈，VSPM 会贴在内圈，整张图几乎只有一项指标可见，其他指标挤在圆心附近，完全失去比较意义。所以必须先做标准化，也就是把不同量纲的指标映射到同一个刻度范围。

常用的标准化方式有两种：

对于单场比赛的两队雷达图，最简单的方式是取双方指标列的最大值作为分母，把数值缩放到 0 到 100，然后绘制在同一张图上。这种方式能突出“谁更强”，但会丢失“两队绝对水平都低”的信息。如果要做赛季长期对比，建议使用固定业务上限，比如 KDA 上限 10、DPM 上限 3000、GPM 上限 2000、CSPM 上限 10、VSPM 上限 5、资源控制率上限 1。上限明确后，雷达图能在多个比赛日之间保持一致的可比性。

注意：任何雷达图都要注明标准化方式。否则读者看到 80 分和 90 分，并不知道原始差距到底是 100 点伤害还是 1 点视野分。

2. 准备分析环境、数据和依赖

2.1 环境与依赖

这套流程使用 Python 实现，核心依赖是 pandas、numpy、matplotlib。如果希望生成网页端交互式雷达图，可以额外安装 pyecharts。下面是推荐环境：

安装时没有强制锁定版本，但实际项目落地前，最好确认这几个包之间的兼容性。可以创建一个 requirements.txt 文件，固定自己验证过的版本，避免 pyecharts 升级后接口发生变化。

2.2 数据从哪里来

赛前赛后的比赛数据通常来自官方数据接口或第三方数据网站。个人做复盘时，可以从数据网站导出 CSV，也可以手动把每一局的击杀、助攻、死亡、补刀、分均伤害等字段录入表格。无论从哪里拿数据，都要遵守网站的数据使用规则，不要用高频率脚本抓取。

本文下面使用的是一份构造出来的示例数据，用来演示代码流程。数据结构尽量贴近常见赛后统计表，但数值不是具体某场比赛的真实数据。读者只要把 CSV 文件替换成自己要分析的比赛数据，代码逻辑可以基本不变。

2.3 准备一份结构化的示例数据

创建一个文件夹，例如lol_radar，在文件夹内准备match_data.csv。内容如下：

team,kda,dpm,gpm,cspm,vspm,objective NIP,4.20,2680.00,1850.00,8.40,3.60,0.78 WBG,3.10,2410.00,1775.00,7.90,3.10,0.55

字段说明：

• team：队伍名。
• kda：队伍场均 KDA，越大越好。
• dpm：分均伤害，单位是数值/分钟。
• gpm：分均经济。
• cspm：分均补刀。
• vspm：分均视野得分。
• objective：大小龙资源控制率，0 到 1 之间。

由于这是一份只有两行的数据，pandas 读取后会非常简单，但足够说明雷达图的全流程。实际分析中，如果展开到单局数据，可以按“队伍 + 局数”拆分后分别绘制。

import pandas as pd df = pd.read_csv("match_data.csv") print(df.head()) print(df.info())

读取后打印的df.info()会显示各列类型，便于检查是否存在缺失值。

3. 用 pandas 完成清洗和标准化

3.1 读取数据并检查字段

读取之后，第一件事不是画图，而是确认数据的列名、类型和范围。可以执行：

print(df.columns.tolist()) print(df.dtypes)

正常输出应该包含 7 列，数值列类型为 float64 或 int64。如果某列出现了 object 类型，说明文件里有非数值内容，需要定位到具体行检查。

3.2 缺失值和异常值处理

赛程数据里偶尔会出现缺失字段。常见处理方式如下：

对于本文的示例数据，没有缺失值，但写代码时还是要养成检查习惯：

print(df.isna().sum())

如果存在缺失值，最简单的做法是使用fillna(0)或对当前列进行数值填充。

3.3 标准化并转换为百分制

下面定义需要参与雷达图绘制的指标列顺序，这一步非常重要。雷达图绘制时会把列顺序作为轴顺序，顺序不一致会导致标签和折线错位。

score_cols = ["kda", "dpm", "gpm", "cspm", "vspm", "objective"]

选择不同的标准化基准会直接影响雷达图形状。这里先实现“当前数据最大值归一化到 100 分”的版本，适合快速比较两支队伍：

import numpy as np def normalize_to_max(df, cols): normalized = df.copy() for col in cols: max_val = normalized[col].max() if max_val == 0: normalized[col + "_score"] = 0 else: normalized[col + "_score"] = normalized[col] / max_val * 100 return normalized df_score = normalize_to_max(df, score_cols) print(df_score)

输出结果中每支队伍会多出kda_score、dpm_score等字段，数值范围在 0 到 100 之间。由于每列的最大值来自两支队伍中较大的一方，因此每列至少有一支队伍是 100 分。

如果希望按固定业务上限标准化，可以使用：

upper_bounds = { "kda": 10, "dpm": 3000, "gpm": 2000, "cspm": 10, "vspm": 5, "objective": 1, } def normalize_with_bounds(df, cols, bounds): normalized = df.copy() for col in cols: bound = bounds[col] normalized[col + "_score"] = normalized[col] / bound * 100 return normalized df_bound = normalize_with_bounds(df, score_cols, upper_bounds) print(df_bound)

固定上限方式的优点是不同比赛、不同日期的图表可以纵向比较；缺点是如果上限设置过高，所有队伍分数都会偏低，视觉上差别不明显。两种方式都可以用，关键是绘图前明确“这张图的 100 分代表什么”。

注意：如果采用最小值最大值归一化，只有两支队伍时，最大值队是 100 分，最小值队是 0 分。0 分会让雷达图的某条边缩到圆心，看起来像“缺了一个角”，这在少数指标上确实能说明问题，但也会让图形比例过度夸张。使用固定上限或最大值归一化，能避免评分项变成 0。

3.4 整理绘制雷达图所需的数据结构

绘制雷达图时，最好准备一个只包含队伍名和百分制得分的表：

plot_df = df_score[["team"] + [col + "_score" for col in score_cols]].copy() print(plot_df)

此时plot_df的行是队伍，列是评分。后面绘图函数可以基于这个表直接读取。

4. 用 matplotlib 绘制可复用的雷达图

4.1 最简绘制代码

使用 matplotlib 绘制雷达图时，常用projection="polar"创建极坐标轴。下面这段代码是基础版本：

import matplotlib.pyplot as plt import numpy as np # 中文字体设置 plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False metrics = [col + "_score" for col in score_cols] num_vars = len(metrics) # 角度计算：把圆等分成 num_vars 份 angles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False).tolist() # 闭合图形：首尾相连 angles += angles[:1] fig, ax = plt.subplots(figsize=(8, 8), subplot_kw={"projection": "polar"}) ax.set_theta_offset(np.pi / 2) ax.set_theta_direction(1) for row in plot_df.itertuples(index=False): team_name = row[0] values = list(row[1:]) values += values[:1] ax.plot(angles, values, label=team_name, linewidth=2) ax.fill(angles, values, alpha=0.15) ax.set_xticks(angles[:-1]) ax.set_xticklabels([col.replace("_score", "").upper() for col in metrics]) ax.set_ylim(0, 100) ax.legend(loc="upper right", bbox_to_anchor=(1.2, 1.0)) plt.title("NIP vs WBG 赛后数据雷达图") plt.show()

代码的关键点有三个：

1. endpoint=False保证第一个指标不在最后一个点重复，否则角度会把圆分成不均匀的段。
2. angles += angles[:1]和values += values[:1]是为了闭合折线，让最后一条边回到起点。
3. set_theta_offset(np.pi / 2)让第一根轴朝向正上方，set_theta_direction(1)让角度按顺时针排列，更符合常见雷达图的阅读习惯。

4.2 双队对比与样式优化

双队对比时，两个多边形可能重叠，为了区分，可以给每支队伍指定不同颜色、线型和透明度：

colors = {"NIP": "#d62728", "WBG": "#1f77b4"} fig, ax = plt.subplots(figsize=(8, 8), subplot_kw={"projection": "polar"}) ax.set_theta_offset(np.pi / 2) ax.set_theta_direction(1) for row in plot_df.itertuples(index=False): team_name = row[0] values = list(row[1:]) values += values[:1] ax.plot(angles, values, label=team_name, linewidth=2.5, color=colors[team_name]) ax.fill(angles, values, alpha=0.12, color=colors[team_name]) ax.set_xticks(angles[:-1]) ax.set_xticklabels([col.replace("_score", "").upper() for col in metrics], fontsize=12) ax.set_ylim(0, 100) ax.grid(linestyle="--", linewidth=0.6) ax.legend(loc="upper right", bbox_to_anchor=(1.2, 1.0)) plt.title("NIP vs WBG 赛后数据雷达图", fontsize=15) plt.tight_layout() plt.show()

颜色选择上，尽量选色差明显的两个颜色，避免红绿色盲无法区分。填充透明度不要太高，否则重叠区域会变成深色块，反而看不清两条折线边界。

4.3 保存图片

保存图片时注意分辨率和边距：

fig.savefig("nip_vs_wbg_radar.png", dpi=300, bbox_inches="tight")

• dpi=300适合发布到网页或PPT，清晰度足够。
• bbox_inches="tight"会裁掉多余白边，让图片更紧凑。

如果图片要放在深色背景的页面里，可以增加facecolor="white"参数，避免 PNG 背景透明导致文字和图形混在一起。

5. 用 pyecharts 生成交互式雷达图

5.1 为什么需要交互版本

matplotlib 输出的静态 PNG 适合直接嵌入到图文里，但交互性不足。如果希望读者在网页上悬停查看具体数值，或者切换显示某一支队伍，可以使用 pyecharts 生成 HTML 文件。pyecharts 底层封装了 ECharts，渲染效果好，适合数据复盘站、日报页面和实时展示场景。

5.2 pyecharts 实现示例

pyecharts 的 Radar 组件需要先声明indicator，也就是每个指标的名称和最大值。由于我们已经在前面把数据转成百分制，这里可以把最大值统一设置为 100。

from pyecharts import options as opts from pyecharts.charts import Radar indicator = [ {"name": "KDA", "max": 100}, {"name": "DPM", "max": 100}, {"name": "GPM", "max": 100}, {"name": "CSPM", "max": 100}, {"name": "VSPM", "max": 100}, {"name": "OBJECTIVE", "max": 100}, ] data = [] for row in plot_df.itertuples(index=False): team_name = row[0] values = list(row[1:]) data.append((team_name, values)) c = Radar() c.add_schema(schema=indicator) for team_name, values in data: c.add( series_name=team_name, data=[values], linestyle_opts=opts.LineStyleOpts(width=2), areastyle_opts=opts.AreaStyleOpts(opacity=0.1), ) c.set_global_opts( title_opts=opts.TitleOpts(title="NIP vs WBG 赛后数据雷达图"), legend_opts=opts.LegendOpts(), ) c.render("nip_vs_wbg_radar.html")

运行后会生成一个nip_vs_wbg_radar.html文件，浏览器打开即可交互。需要注意 pyecharts 1.x 和 2.x 的 API 有差异，上面写法以常见的 1.x 版本为基础。如果安装的是较新版本，最好参考当前版本的官方示例调整参数。

5.3 两种工具对比

实际生产项目中，建议两者结合：一批图用 matplotlib 生成静态图片用于汇报，另一批用 pyecharts 生成 HTML 用于网页端投放。

6. 读懂雷达图：从形状差异到比赛内容

6.1 先看整体面积，再看单项突出

雷达图的第一眼信息是“两块多边形谁的面积更大”。在示例数据中，NIP 在 KDA、DPM、GPM、CSPM、VSPM、OBJECTIVE 六个维度上都比 WBG 高，所以 NIP 的多边形会明显更饱满，这对应了系列赛 2-1 的胜负关系。

但面积本身不是绝对结论。雷达图的每个轴权重相同，而实际比赛中视野、资源控制等维度的重要性并不是等价的。因此，读图时要先判断哪些指标主导了比赛，再回到比赛录像或逐局数据里验证。

6.2 找差异最大的维度作为切入点

差异最大的维度是复盘时最值得展开的切入点。假设示例数据中两队资源控制率差异很大，那么可以优先回看大小龙时间点：

• 是先锋团、小龙团的阵容优势导致的必然结果？
• 是打野在关键时间点提前落位，形成了视野和位置差？
• 还是某一波团战中抢龙导致的偶然结果？

这些判断无法从一张雷达图直接得出，但雷达图能快速提示“应该优先看哪个环节”。KDA 的差异则可以结合击杀时间线，判断是前期对线打出优势，还是中后期团战才拉开差距。

6.3 警惕“数据因果化”误区

雷达图是统计结果，不是因果证据。它不能反映下面这些信息：

• 阵容前中后期曲线，比如某队拿到后期阵容，前期经济落后但中后期翻盘。
• 单局波动，比如第一局碾压、第二局被碾压、第三局险胜，汇总后可能“看起来差距不大”。
• 选手或队伍的失误操作、大小龙被抢、关键技能空掉等细节。
• BP 阶段的针对性选择，比如为限制对手中路而牺牲了部分前期对线能力。

因此，做赛后复盘时，建议把雷达图作为“索引”，而不是最终结论。先看雷达图找差异维度，再看分均经济和击杀时间线，最后回到比赛录像确认产生差异的具体回合。

6.4 可以搭配哪些图一起使用

只放一张雷达图，信息量有限。推荐搭配以下图表：

这样组合后，雷达图承担“概览”职责，其他图表承担“细节证据”职责，复盘内容会更扎实。

7. 常见坑与排查路径

7.1 中文标签变成方块

现象：雷达图指标名称出现“□□”或乱码。

原因：matplotlib 默认字体不支持中文。

检查方式：查看当前环境可用字体，或直接打印plt.rcParams["font.sans-serif"]。

解决方式：

plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False

如果系统没有 SimHei，可以指定其他中文字体路径：

from matplotlib import font_manager font_manager.fontManager.addfont("path/to/font.ttf") plt.rcParams["font.family"] = "YourFontName"

7.2 雷达图没有闭合成环

现象：折线从第一个点画到最后一个点就结束，图形是开口的。

原因：没有把第一个点的数值复制到序列末尾。

解决方式：绘图前对 values 和 angles 都追加第一个元素：

values += values[:1] angles += angles[:1]

7.3 标准化后出现 0 分，图形塌陷

现象：某个指标贴着圆心，看起来像“少了半边”。

原因：如果使用 Min-Max 标准化，两支队中数值最小的队伍会得到 0 分。

解决方式：改用固定上限归一化，或对 0 分做下限保护，比如限制最低得分为 5 分。这样图形不会完全贴地，视觉上也更容易保留潜在信息。

7.4 多队折线重叠，无法区分

现象：三支以上队伍画在一张雷达图里，颜色接近，看不出谁是谁。

解决方式：

• 使用明显色差。
• 使用不同线型，如实线、虚线、点划线。
• 给折线增加标记点，如圆形、方形。
• 降低填充透明度，保留主要折线。

如果队伍超过 4 支，建议拆分成多个雷达图单独展示，或改用平行坐标图。

7.5 pyecharts 版本不同导致 API 不生效

现象：add_schema不存在，或Radar初始化报错。

原因：pyecharts 1.x 和 2.x 的接口差异较大。

检查方式：运行pip show pyecharts查看版本。

解决方式：按版本查找官方示例。建议在 requirements.txt 中固定一个验证过的版本，避免后续升级破坏脚本。

8. 最佳实践与扩展方向

8.1 把可复用函数写出来

手动复制绘图代码很容易出错。推荐封装成一个函数：

def draw_radar(plot_df, metrics, title="Radar", output_path="radar.png"): num_vars = len(metrics) angles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False).tolist() angles += angles[:1] fig, ax = plt.subplots(figsize=(8, 8), subplot_kw={"projection": "polar"}) ax.set_theta_offset(np.pi / 2) ax.set_theta_direction(1) for row in plot_df.itertuples(index=False): team_name = row[0] values = list(row[1:]) values += values[:1] ax.plot(angles, values, label=team_name, linewidth=2) ax.fill(angles, values, alpha=0.12) ax.set_xticks(angles[:-1]) ax.set_xticklabels(metrics) ax.set_ylim(0, 100) ax.legend(loc="upper right", bbox_to_anchor=(1.2, 1.0)) ax.set_title(title) fig.savefig(output_path, dpi=300, bbox_inches="tight") return output_path

使用这个函数时，plot_df必须已经包含“队伍名列 + 百分制评分列”，并且评分列的顺序与metrics一致。这样每次赛后只需要替换 CSV 文件，调用一次函数就能生成新的雷达图。

8.2 自动化复盘怎么落地

如果要持续产出赛后雷达图，可以将流程脚本化：

1. 从数据源导出 CSV，或通过合规接口定时拉取。
2. 脚本执行数据清洗、标准化、绘图。
3. 生成 PNG 和 HTML 文件，输出到固定目录。
4. 由前端页面或文档系统引用生成的图片。

自动化流程中必须注意：

• 每次运行前确认数据文件是否完整，避免空文件导致脚本报错。
• 保留原始 CSV 和历史版本图片，方便回溯对比。
• 日志要记录标准化基准和生成时间，防止不同比赛的图被混在一起比较。
• 如果脚本部署在服务器上，需要控制文件访问权限，避免他人任意修改数据文件。

8.3 扩展方向

雷达图只是比赛数据可视化的起点。后续可以扩展的方向包括：

对新手来说，最有价值的练习是：找一场自己已经看过完整回放的比赛，按照本文流程手动整理数据，生成雷达图后，看自己能不能从雷达图上找到与比赛记忆一致的信息。如果雷达图显示某个指标异常突出，但实际比赛里并没有对应记忆，通常说明数据整理或标准化方式有问题。这种“用比赛记忆验证图表”的练习，比单纯抄代码更有利于建立数据感觉。

8.4 生产发布前检查清单

发布赛后数据雷达图前，建议按下面清单检查一遍：

• [ ] 数据来源是否可信，是否标注了“示例数据”或官方数据。
• [ ] 指标列顺序是否固定，标签与数据是否一一对应。
• [ ] 是否说明了标准化方式，比如“按本场比赛最大值归一化为 100”。
• [ ] 中文标签是否正常显示，导出图片是否有乱码。
• [ ] 图片分辨率足够，是否用 300 dpi 导出。
• [ ] 是否补充了比赛进程信息，避免读者误把雷达图差异当作直接获胜原因。
• [ ] 如果是自动化脚本，是否记录了数据文件路径、生成时间和版本。

雷达图的价值不在“画得多好看”，而在于能否把多维数据压缩成可读的形状差异，并引导读者回到比赛细节中去验证。把绘制流程固定成脚本之后，每周赛后只需要更新 CSV，就能在几分钟内产出一张规范的赛后数据雷达图。这套流程同样可以迁移到选手数据、赛季积分、战队历史状态对比等场景。