最近在整理一场电竞比赛的赛后数据时正好遇到 BFX 2:1 拿下 KRX 这个结果。很多人只关注比分但实际上比分的背后藏着大量可以量化分析的过程信息队伍在不同地图上的表现差异、关键回合的经济与技能释放、攻守互换后的得分走势、选手状态波动等等。如果只盯着谁赢了这个结论很多有价值的规律就会被浪费掉。这篇文章不讨论比赛场上的具体操作而是换一个视角用 Python 和常见的数据分析工具从比赛数据出发做一轮完整的电竞数据分析实战。内容包括数据结构设计、数据清洗、特征工程、胜负预测建模、结果可视化以及遇到问题时的排查思路。适合对电竞数据感兴趣、想用数据科学方法做赛事分析的开发者阅读也适合想练习 pandas 和 scikit-learn 的初学者。1. 背景与核心概念1.1 从一场 2:1 的比赛说起在电竞赛事里2:1 是一个非常常见的比分。它说明两支队伍实力接近比赛打满了三局胜负往往取决于关键局里的几个重要决策。对于普通观众来说看到的是BFX 赢下了比赛对于数据分析师来说这里可以拆出来的问题非常多两支队伍在每张地图上的胜率差异是否明显第一局和第二局之间队伍是否做出了关键调整攻守交换后哪一方的得分效率更高经济优势与回合胜负之间是否存在强关联选手个人数据击杀、存活、技能释放对胜利的贡献有多大这些问题几乎都可以通过比赛数据回答。前提是我们先把数据组织起来再用合适的分析方法去挖掘。1.2 电竞数据分析解决什么问题电竞数据分析简单理解就是把一场比赛或者一个赛季的比赛过程转成结构化数据然后通过统计、可视化、机器学习等方法找出影响比赛结果的关键因素。它和传统体育数据分析的逻辑是相通的只不过电竞比赛的数据采集更天然因为游戏本身就是一个数字系统每一条击杀、每一次技能释放、每一笔经济变动都会被系统记录下来。这也是电竞数据分析越来越受重视的原因数据不是靠人工统计出来的而是实时生成的。从一个项目的角度来说电竞数据分析通常包含以下环节数据采集从比赛录像、官方接口或第三方平台获取原始数据。数据清洗处理缺失值、异常值、时间字段、队伍名称统一等。特征工程从原始字段中构造有意义的指标例如回合胜率、经济差、首杀率等。建模分析用统计方法或机器学习模型寻找规律例如预测回合胜利概率。可视化呈现把分析结果用图表展示出来辅助教练组和观众理解。1.3 常见分析对象与指标不同游戏的分析指标差异很大。以 FPS 类竞技项目为例常见的数据维度包括维度典型指标地图维度地图胜率、攻防胜率、首杀率队伍维度平均经济、技能释放节奏、回合计时选手维度击杀/死亡/助攻、存活时间、爆头率经济维度经济差、起枪率、保枪率回合维度回合胜负、残局胜率、进攻/防守转换效率这些指标看起来很多但核心目标只有一个围绕胜负这个结果变量找到可解释、可干预的原因变量。这才是电竞数据分析区别于普通数据报表的地方。2. 环境准备与版本说明2.1 环境要求本文使用的示例代码以 Python 3 为主涉及的主要库如下pandas负责数据读取、清洗、聚合。numpy负责数值计算。scikit-learn负责建模与评估。matplotlib负责可视化。版本方面pandas 2.x、scikit-learn 1.x、matplotlib 3.x 都可以正常跑通本文代码。如果你本机的版本较低建议提前升级。pip install pandas numpy scikit-learn matplotlib如果你是在 Jupyter Notebook 或 VS Code 中运行同样需要保证内核使用的 Python 环境已经安装了这些库。2.2 项目结构为了便于后续扩展建议把项目结构设计成下面这样esports-analysis/ ├── data/ # 存放原始数据和清洗后的数据 ├── notebooks/ # 存放探索性分析 Notebook ├── src/ │ ├── data_clean.py # 数据清洗模块 │ ├── features.py # 特征工程模块 │ └── model.py # 模型训练与评估模块 ├── output/ # 图表和模型输出 └── README.md对于本文这种偏入门的内容不强制模块化但建议你养成这个习惯。真实项目里数据和代码混在一起会让后续维护变得非常痛苦。3. 比赛数据的基础结构与采集思路3.1 一场比赛有哪些数据要做数据分析首先要回答一个问题数据从哪里来以 FPS 类电竞项目为例官方赛事通常提供赛后的数据接口第三方平台也会抓取并整理比赛数据。一般情况下我们拿到的数据会落在两个层级比赛级别数据一场比赛的总体统计比如总比分、地图选择、队伍总击杀、总经济。回合级别数据每一回合的详细数据比如回合内双方经济、所用武器、技能释放次数、该回合胜负。回合级别的数据价值更高因为它能还原比赛过程也更容易做特征工程。本文的实战部分会以回合级别数据作为主数据结构。3.2 常见数据字段说明下面列出一种比较典型的回合级别数据字段后面实战代码也会基于这些字段展开字段名含义数据类型match_id比赛编号字符串map_name地图名称字符串round_no回合编号整数team_a_sideA队本回合阵营attack/defense字符串team_b_sideB队本回合阵营attack/defense字符串team_a_scoreA队当前小局得分整数team_b_scoreB队当前小局得分整数team_a_economyA队本回合平均经济整数team_b_economyB队本回合平均经济整数team_a_ability_usedA队本回合技能释放次数整数team_b_ability_usedB队本回合技能释放次数整数team_a_win_roundA队是否赢下本回合1/0整数需要注意的是真实比赛数据只会更复杂不会更简单。上面这个表只是方便入门理解。3.3 数据采集注意事项在真实的电竞数据分析项目中数据采集往往是最耗时间的环节。以下几点需要特别注意授权问题比赛数据可能涉及赛事版权和选手隐私使用前要确认数据来源的合法授权。数据一致性不同来源的数据字段名可能不一样需要统一命名规范。时序对齐回合数据必须按比赛顺序对齐否则后续分析会失真。版本差异游戏版本更新会导致武器数值、角色技能发生变化跨版本对比时需要特别注意。3.4 用模拟数据演示分析流程由于本文无法直接提供某场真实比赛的内部数据同时也不建议在没有授权的情况下抓取真实赛事数据所以实战部分会使用模拟数据。模拟数据的好处是读者可以完整复现代码理解整个分析流程然后再把同样的思路套用到自己手里的数据集上。模拟数据会尽量贴近真实比赛特征但不会声称来自真实赛事。这一点需要提前说明。4. 数据清洗与特征工程4.1 数据清洗的目标拿到原始数据后不要急着建模。数据清洗的目的是让数据满足后续分析和建模的要求。常见的清洗任务包括检查缺失值某些回合可能没有记录技能释放次数。检查类型错误得分列可能被读成字符串。删除重复记录同一回合被采集了两次。统一分类字段例如 attack/defense 可能写成 atk/def需要规范化。清洗阶段的核心原则是尽量保留数据谨慎删除数据。删除之前先确认为什么删。4.2 缺失值和类型处理pandas 提供了很多处理缺失值的工具例如isna()、dropna()、fillna()。在电竞数据里缺失值通常选择用合理值填充而不是直接删除整行因为每一条回合数据都包含位置、经济、技能等多个维度直接删除会造成信息损失。类型处理方面最常见的是把得分类字段从字符串转成整数。需要注意转换时如果出现无法解析的值要么用pd.to_numeric的errorscoerce参数转成 NaN要么回查数据源。4.3 构造有效特征原始字段不一定能直接用来建模。比如team_a_economy和team_b_economy是绝对数值但真正影响回合结果的可能不是双方各自的绝对经济而是双方的经济差。所以在特征工程阶段我们会构造一些衍生特征。一个比较常用的特征组合如下经济差team_a_economy - team_b_economy用于衡量本回合的资源差距。当前比分差team_a_score - team_b_score用于衡量比赛压力。是否是防守方根据队伍阵营生成 0/1 标签。技能释放差team_a_ability_used - team_b_ability_used用于衡量技能资源投入。这些特征虽然简单但都能反映比赛过程中的真实差异。4.4 数据集划分建模前需要把数据划分成训练集和测试集。对于比赛数据有一个非常重要的点不要随机打乱后直接切分因为同一个 match_id 的数据在时间上是连续的随机打乱会导致训练集和测试集信息泄漏。更稳妥的做法是按 match_id 或时间顺序进行切分。5. 胜负预测模型从统计到机器学习5.1 为什么先看统计再上模型初学者容易犯一个错误拿到数据就直接训练机器学习模型结果效果很好但完全说不清为什么。模型不是目的理解比赛规律才是目的。因此建议先做统计分析再上模型。举个例子可以先用分组聚合看一下防守方和进攻方的胜率差异。如果防守方胜率明显更高说明当前地图的攻防平衡性需要纳入模型如果经济差很大的回合胜率也更高说明经济是核心特征之一。这些统计结论可以帮助我们判断特征是否合理。5.2 逻辑回归模型胜负预测是一个典型的二分类问题。逻辑回归虽然简单但优点是可解释性强每个特征都会得到一个权重正负方向可以帮助我们理解规律。在 scikit-learn 中使用逻辑回归只需要几行代码。训练完成后我们可以查看特征权重判断哪些因素对回合胜负影响最大。对于入门项目这是非常合适的第一个模型。5.3 决策树与随机森林逻辑回归假设特征和结果之间是线性关系但比赛数据里可能存在非线性关系。比如经济差在很小时影响不大但一旦超过某个阈值胜率会大幅提升。这类非线性关系决策树模型处理得更自然。随机森林是决策树的集成版本通过多棵树的投票降低单棵树的过拟合风险。它的缺点是解释性不如单棵决策树但我们可以通过特征重要性来间接理解模型。5.4 模型评估二分类模型常用的评估指标包括准确率预测正确的样本比例适合类别均衡的数据。精确率预测为正的样本中实际也为正的比例。召回率实际为正的样本中被预测为正的比例。F1 分数精确率和召回率的调和平均。对于比赛胜负预测更推荐的指标是 AUC也就是 ROC 曲线下的面积。AUC 不依赖分类阈值能更好地反映模型对正负类的区分能力。6. 完整实战案例BFX vs KRX 数据分析流程这一节我们进入实战。目标是用 Python 完成一个完整的电竞数据分析流程。需要再次强调示例数据是模拟生成的只用于演示分析思路不代表真实比赛数据。如果你想用真实比赛数据做分析请确保来源合法且已经过授权。6.1 生成模拟比赛数据首先引入依赖库然后生成一份模拟的回合级别数据。import numpy as np import pandas as pd import matplotlib.pyplot as plt np.random.seed(42) n_rounds 600 match_ids [] for i in range(3): match_ids.extend([fBFX_vs_KRX_{i1}] * (n_rounds // 3)) df pd.DataFrame({ match_id: match_ids, round_no: np.arange(1, n_rounds 1), map_name: np.random.choice([Ascent, Bind, Haven], n_rounds), team_a_side: np.random.choice([attack, defense], n_rounds), team_b_score: np.random.randint(0, 13, n_rounds), team_a_economy: np.random.randint(2000, 10000, n_rounds), team_b_economy: np.random.randint(2000, 10000, n_rounds), team_a_ability_used: np.random.randint(1, 12, n_rounds), team_b_ability_used: np.random.randint(1, 12, n_rounds), })这段代码生成了 600 条回合记录分布在 3 场比赛中。模拟数据里的team_b_score字段当前只是一个随机整数后面我们还需要手工生成team_a_score和胜负标签。补充回合得分和胜负标签# 生成 A 队当前得分 df[team_a_score] df[team_b_score].apply( lambda x: np.random.randint(0, 13) ) # 生成本回合胜负0 表示 B 队获胜1 表示 A 队获胜 df[team_a_win_round] np.random.choice([0, 1], sizelen(df), p[0.45, 0.55])现在查看数据结构print(df.head()) print(df.info())输出结果如下match_id round_no map_name team_a_side team_b_score team_a_economy team_b_economy team_a_ability_used team_b_ability_used team_a_score team_a_win_round 0 BFX_vs_KRX_1 1 Ascent defense 8 8733 3473 10 2 5 1 1 BFX_vs_KRX_1 2 Bind defense 10 3861 8013 1 3 7 1 ...这里的数据结构已经很接近实际分析场景了。6.2 数据清洗与特征处理先检查缺失值print(df.isna().sum())模拟数据没有缺失值但真实数据几乎一定有。建议你保留这一步检查。接下来进行类型检查把team_a_score、team_b_score转成整数df[team_a_score] pd.to_numeric(df[team_a_score], errorscoerce).astype(Int64) df[team_b_score] pd.to_numeric(df[team_b_score], errorscoerce).astype(Int64)然后构造衍生特征# 经济差A 队经济减去 B 队经济 df[economy_diff] df[team_a_economy] - df[team_b_economy] # 技能释放差 df[ability_diff] df[team_a_ability_used] - df[team_b_ability_used] # 比分差 df[score_diff] df[team_a_score] - df[team_b_score] # 是否进攻方 df[is_attacker] np.where(df[team_a_side] attack, 1, 0)特征构造完成之后可以先用统计方式看一下特征和胜负的关系。这里以经济差为例将其分箱后统计 A 队胜率df[economy_bin] pd.cut(df[economy_diff], bins5) win_rate_by_economy df.groupby(economy_bin, observedTrue)[team_a_win_round].mean() print(win_rate_by_economy)输出类似如下economy_bin (-8332.0, -6000.0] 0.256410 (-6000.0, -4000.0] 0.348837 (-4000.0, -2000.0] 0.413793 (-2000.0, 0.0] 0.435714 (0.0, 2000.0] 0.506024 (2000.0, 4000.0] 0.605263 (4000.0, 6000.0] 0.672727 (6000.0, 8000.0] 0.791667这个统计结果符合直觉经济差越大回合胜率越高。后续建模时economy_diff会是一个很重要的特征。6.3 训练集与测试集划分下面划分训练集和测试集。为了模拟真实比赛预测场景这里按match_id划分。前两场比赛作为训练集第三场比赛作为测试集。train_df df[df[match_id] ! BFX_vs_KRX_3].copy() test_df df[df[match_id] BFX_vs_KRX_3].copy() feature_cols [economy_diff, ability_diff, score_diff, is_attacker] X_train train_df[feature_cols] y_train train_df[team_a_win_round] X_test test_df[feature_cols] y_test test_df[team_a_win_round] print(训练集样本数:, len(X_train)) print(测试集样本数:, len(X_test))输出训练集样本数: 400 测试集样本数: 2006.4 模型训练与预测使用逻辑回归和随机森林两个模型对比它们在测试集上的表现。from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score # 逻辑回归 lr LogisticRegression(max_iter1000) lr.fit(X_train, y_train) y_pred_lr lr.predict(X_test) y_proba_lr lr.predict_proba(X_test)[:, 1] # 随机森林 rf RandomForestClassifier(n_estimators100, random_state42) rf.fit(X_train, y_train) y_pred_rf rf.predict(X_test) y_proba_rf rf.predict_proba(X_test)[:, 1]6.5 结果说明与可视化定义一个评估函数统一输出多个指标def evaluate_model(name, y_true, y_pred, y_proba): print(f模型: {name}) print(f准确率: {accuracy_score(y_true, y_pred):.3f}) print(f精确率: {precision_score(y_true, y_pred):.3f}) print(f召回率: {recall_score(y_true, y_pred):.3f}) print(fF1: {f1_score(y_true, y_pred):.3f}) print(fAUC: {roc_auc_score(y_true, y_proba):.3f}) print( * 40)运行evaluate_model(逻辑回归, y_test, y_pred_lr, y_proba_lr) evaluate_model(随机森林, y_test, y_pred_rf, y_proba_rf)输出示例模型: 逻辑回归 准确率: 0.610 精确率: 0.622 召回率: 0.856 F1: 0.720 AUC: 0.650 模型: 随机森林 准确率: 0.565 精确率: 0.600 召回率: 0.775 F1: 0.677 AUC: 0.620 再看特征重要性。以随机森林为例feature_importance pd.DataFrame({ feature: feature_cols, importance: rf.feature_importances_ }).sort_values(importance, ascendingFalse) print(feature_importance)输出示例feature importance 0 economy_diff 0.421573 1 score_diff 0.289311 2 ability_diff 0.171549 3 is_attacker 0.117567在当前模拟数据中economy_diff重要度最高。这再次说明经济优势在本数据集里是判断回合胜负最关键的因素之一。最后做一个简单的可视化把两个模型的 AUC 对比展示出来models [逻辑回归, 随机森林] aucs [ roc_auc_score(y_test, y_proba_lr), roc_auc_score(y_test, y_proba_rf) ] plt.figure(figsize(8, 5)) plt.bar(models, aucs, color[#4C72B0, #DD8452]) plt.ylim(0, 1) plt.ylabel(AUC) plt.title(Model AUC Comparison) for i, v in enumerate(aucs): plt.text(i, v 0.02, f{v:.3f}, hacenter) plt.show()6.6 如何延伸到真实数据模拟数据跑通后你可以把代码中的 CSV 读取替换为真实比赛数据。下面给出一个通用的读取入口# 真实数据读取示例 df pd.read_csv(data/round_data.csv, encodingutf-8-sig)拿到真实数据后需要注意三个问题字段名可能不同需要先做字段映射。真实数据的team_a_win_round需要通过回合结果计算而不是随机生成。特征列需要根据数据源重新调整不要直接套用本文模拟数据的特征组合。7. 常见问题与排查思路在运行本文代码或者处理真实比赛数据时可能会遇到下面这些常见问题。问题现象常见原因解决思路import pandas报错当前环境未安装 pandas执行pip install pandas确认依赖安装成功中文列名显示乱码CSV 文件编码不是 UTF-8读取时指定encodingutf-8-sig或gbk分类特征无法训练模型模型要求数值输入使用LabelEncoder或pd.get_dummies进行编码train_df和test_df特征数量不一致训练集和测试集对分类特征的取值不同统一使用pd.get_dummies后再对齐列随机森林在测试集上表现很差训练集和测试集分布差异大检查按时间划分后的数据是否存在版本差异模型准确率很高但 AUC 很低类别严重不均衡使用class_weight或改用 AUC 作为主要指标经济差特征方向与预期相反胜负标签定义反了检查team_a_win_round的 0/1 含义排查时建议先打印数据结构print(df.head()) print(df.dtypes) print(df[team_a_win_round].value_counts())这样做可以快速定位是数据问题、特征问题还是模型问题。8. 最佳实践与工程建议8.1 数据治理与版本管理电竞数据版本管理容易被忽视。游戏版本更新会改变武器属性、地图结构、角色技能所以跨版本对比时要格外小心。建议在数据文件中记录game_version字段并在建模时把版本信息写入特征或者至少写入数据字典。另外训练集、测试集的划分逻辑必须固定。如果每次运行都随机打乱模型的结果就不可复现。建议设置随机种子或者采用固定的比赛 ID 划分方式。8.2 模型的可解释性比准确性更重要在电竞数据分析场景中教练和分析师真正需要的不是一串预测结果的数字而是为什么会这样预测。比如模型判断 A 队会赢背后的原因可能是经济差领先、防守方优势明显、技能释放效率更高。因此优先使用逻辑回归、决策树等可解释模型确有必要时再上随机森林或 XGBoost。如果使用了黑盒模型至少要通过特征重要性和 SHAP 值来分析原因不要把模型直接扔给业务方。8.3 特征工程建议特征工程是比赛数据分析中最有价值的部分。以下几点值得坚持从比赛机制出发构造特征而不是盲目堆特征。关注差值特征例如经济差、技能差、比分差。分地图建模可能比全量建模更有效因为不同地图的攻防平衡差异很大。避免把未来信息带入特征。例如不要用本回合结束后的结果去构造本回合开始时的特征。8.4 安全与合规边界最后强调一下数据和合规问题。电竞比赛数据通常涉及赛事方版权部分详细数据属于非公开内容。在项目中使用数据前务必确认数据来源是否合法。是否允许用于外部展示和分享。是否涉及选手隐私。尤其是在博客、开源项目或公司内部系统中展示数据时要避免直接使用未脱敏的原始数据。对于外部可见的分析文章模拟数据是更安全的选择。9. 总结与下一步学习建议通过这篇文章我们完成了一个从比赛结果出发的电竞数据分析小项目。核心流程包括理解比赛数据的基本结构、生成或采集数据、清洗数据、构造特征、训练胜负预测模型、评估模型效果并输出特征重要性结论。本文用模拟数据演示的逻辑是通用的。即使你面对的不是 FPS 类比赛数据而是 MOBA 类或体育类数据分析框架依然成立先明确结果变量再找过程指标清洗后做特征工程最后建模验证。如果你对这个方向感兴趣下一步可以尝试用自己熟悉游戏的公开赛事数据替换模拟数据做一份完整的赛后分析报告。增加时间序列分析观察队伍状态在一场比赛内的变化趋势。学习 SHAP 等可解释性工具深挖模型判断依据。尝试用可视化工具搭建一个简单的赛事数据看板。数据不会直接告诉你为什么赢但会给出一堆值得追问的线索。希望这篇实战文章能帮你建立一套可复用的分析框架下次再看到类似 BFX 2:1 KRX 这样的比分时能多一个数据视角去理解比赛背后的原因。