之前整理 TI 瑞士轮赛事数据时，最大的感受是：比赛数据本身并不难理解，难的是数据获取链路不完整。从接口请求、字段解析到统计分析，每一步都可能有坑，网上资料大多是零散代码片段，缺少一条能直接跑通的完整链路。本文以 TI2026 瑞士轮 8 月 13 日 Yandex 对阵 HULIGANI 的比赛为案例对象，使用 Python 配合 OpenDota 公开接口，从零搭建一个赛事数据分析小工具，覆盖数据获取、清洗、统计和可视化四个环节。这篇文章适合对电竞数据分析感兴趣的 Python 初学者，也适合想了解体育数据工程流程的后端开发者。读完你可以掌握 OpenDota 接口的调用方式、比赛 JSON 的解析思路，以及如何把多场比赛汇总成可分析的 DataFrame。
1. 背景与核心概念
1.1 TI 与瑞士轮赛制
The International（简称 TI）是 Dota 2 最高级别的官方赛事，每年吸引全球顶尖战队参赛。TI 的赛程通常会分为小组赛与淘汰赛阶段，而瑞士轮是近年来很多大赛使用的一种赛制：队伍不会一开始就被固定分组，而是根据当前战绩动态匹配对手。战绩相同的队伍互相交手，赢下足够场次晋级，输到一定场次淘汰。相比传统小组赛，瑞士轮的关键特点是“每一轮对阵都有强对抗性”，赛程越往后，成绩相近的队伍越容易碰面，这对队伍的状态调整和英雄池深度提出了更高要求。
从赛事数据分析的角度看，瑞士轮的每一场比赛都可能直接影响后续晋级形势，因此这类比赛的赛前准备与赛后复盘都离不开数据支撑。比如队伍近期胜率是多少、在特定版本中更偏爱哪些英雄、选手个人状态是否稳定，这些问题都能从历史比赛数据中找到线索。而要拿到这些数据，最基础的一步就是把比赛数据从公开接口中结构化地取出来，这也是本文实战部分重点解决的问题。
1.2 赛事数据分析能做什么
赛事数据分析不是一个单一任务，而是一系列数据处理工作的组合。以下是我在实践中最常遇到的几类需求：
- 赛前信息汇总：快速获取队伍在本次赛事的战绩、近期比赛记录、常用英雄池。
- 英雄选择与禁用分析：统计 pick/ban 热点英雄，观察当前版本的主流战术倾向。
- 选手维度统计：KDA、经济、经验、视野等关键指标，用于评估选手状态。
- 自动化战报：比赛结束后自动生成数据摘要，用于内容发布或团队复盘。
这些需求的核心都指向同一个能力：把非结构化的比赛 JSON 数据转换成结构化表格，再进行统计汇总。如果你具备这项能力，不管是写赛前分析稿、做赛事数据看板，还是单纯想更深入地看懂一场比赛，都会比手动翻网页高效得多。本文后面的实战部分，正是围绕“接口取数 → 字段解析 → 多场汇总 → 可视化”这条链路展开。
1.3 数据来源选型
Dota 2 赛事数据有几个常见来源。Valve 官方有 Game Coordinator 接口，能拿到非常底层的数据，但鉴权与协议复杂度较高，不适合新手直接上手。社区项目中，OpenDota 提供了相对完善的 HTTP API，覆盖比赛详情、选手、队伍、英雄、联赛等维度，免费且无需复杂鉴权；另一个是 STRATZ，基于 GraphQL 接口，功能同样强大，但查询语法对新手有一定门槛。
综合来看，OpenDota 的 REST 风格接口最适合作为入门首选：可以直接用 requests 调用，响应是标准 JSON，字段命名清晰。本文所有示例代码都基于 OpenDota 的公开接口编写。需要说明的是，接口字段可能随版本调整，代码中我会尽量使用 .get() 做容错，并建议你在遇到结构变化时先打印原始 JSON 观察。这样即使接口升级，你也能很快定位需要修改的位置。
2. 环境准备与版本说明
2.1 Python 环境与依赖
本文示例在 Python 3.9 及以上版本环境中验证，主要依赖三个库：requests 负责 HTTP 请求，pandas 负责表格化处理，matplotlib 负责可视化。版本不需要完全一致，只要大版本兼容即可，如果你使用 Python 3.10+ 通常不会有问题。建议先创建一个独立的虚拟环境，避免污染系统 Python 环境，也方便后续把依赖固化成 requirements.txt。
python -m venv venv # Windows: venv\Scripts\activate source venv/bin/activate pip install requests pandas matplotlib如果你的网络环境访问 PyPI 较慢，可以临时使用国内镜像源，例如：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple requests pandas matplotlib版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。安装完成后，可以用python -c "import requests, pandas, matplotlib; print('ok')"快速验证依赖是否安装成功。
2.2 项目结构
为了让代码逻辑清晰，我建议把项目拆成四个文件，结构如下：
dota2_match_analysis/ ├── main.py # 主流程 ├── dota_api.py # OpenDota 接口封装 ├── analysis.py # 数据解析与统计 ├── visualize.py # 可视化 └── output/ # 输出目录（CSV、图片）main.py 负责串联整个流程：请求接口、解析数据、输出结果。dota_api.py 只做一件事——把接口请求封装成可复用的函数，并处理重试。analysis.py 存放所有 JSON 到 DataFrame 的转换逻辑，visualize.py 专门负责绘图。这样拆分的好处是，后续如果换成 GraphQL 接口或者增加新的统计指标，只需要改动对应模块，其他代码基本不受影响。
3. 核心概念与数据模型拆解
3.1 比赛数据模型
OpenDota 的单场比赛接口/matches/{match_id}会返回一个很大的 JSON 对象，其中与本文分析相关的核心字段如下表所示：
| 字段 | 含义 |
|---|---|
