用Python分析乒乓球赛事数据：从pandas清洗到可视化报表

如果你平时喜欢看乒乓球比赛，应该会留意到，赛后球迷最想看的除了冠军归属，还有选手一路晋级的轨迹：从八强到四强，从半决赛到决赛，每一场的比分、用时、对阵关系都值得回味。近期横滨冠军赛男单决赛中，张本智和在自己的主场以 4:1 击败吴晙诚，拿下男单冠军。作为技术开发者，除了关注赛果，我们还可以用 Python 把这些比赛记录整理成结构化数据，再做一次完整的统计分析，输出图表和报表。

这篇文章不打算停留在“看比分”的层面，而是把这场赛事当作一个实战场景，带大家完成一个可以运行的乒乓球赛事数据采集与分析小项目。你会掌握：如何设计比赛数据字段、用 pandas 清洗数据、统计选手胜率与净胜局、绘制横向对比柱状图与选手间胜率热力图，最后把分析结果导出为 CSV 报表。文章中的示例数据以可复现为主，技术流程可以复用到足球、篮球、羽毛球等各类体育赛事分析中。

1. 背景与核心概念

1.1 从一场乒乓球决赛说起

横滨冠军赛男单决赛，张本智和在家门口作战，最终以大比分 4:1 击败吴晙诚。对普通观众来说，这是一场精彩的比赛；对数据分析从业者来说，这就像一个微型的“赛事指标集”：赢了几局、输了几局、打了多久、在哪个场馆比赛，这些信息汇总在一起，就是最基础的体育数据。

我们可以进一步思考：如果只记录“冠军”和“亚军”，信息量是远远不够的。数据分析的一个重要习惯，是把事件拆成可量化的字段。比如一场比赛至少包含对阵双方、赛段、总比分、比赛时长、比赛场地。有了这些字段，我们才能继续回答“主场胜率是否真的更高”“进入决赛前哪名选手消耗更大”“张本智和与吴晙诚的直接交手记录如何”这类问题。

1.2 乒乓球赛事数据能分析什么

乒乓球比赛的记录方式简洁，很适合入门数据分析。每场比赛的比分、局数、赛程阶段都可以快速整理成表格。常见分析维度包括：

• 胜场数与胜率：衡量一名选手在一段时间内的整体表现。
• 净胜局：总得分局与总失分局的差值，能反映比赛统治力。
• 主客场胜率：区分在“横滨体育馆”这样的主场场馆，与其他场馆的胜率差异。
• 对阵关系矩阵：统计 A 选手面对 B 选手的胜率，寻找“克星”关系。
• 比赛用时：不同阶段消耗的体能差异。

这些指标在真实的职业赛事分析中很常见。本文会用模拟数据把整套流程跑通。

1.3 本文的技术目标

本文的核心技术目标是：

1. 设计比赛数据模型，构造可复现的示例数据集。
2. 使用 pandas 完成数据加载、清洗、类型转换。
3. 按选手统计胜场、胜率、净胜局、平均用时。
4. 使用 matplotlib 输出柱状图与胜率热力图。
5. 将统计结果导出为 CSV 报表。

整个过程只需要 Python 环境和两个依赖库，没有复杂的外部服务，适合初学者照着敲一遍。

2. 准备工作：环境与项目结构

2.1 运行环境与版本说明

本文示例代码依赖以下环境：

• 操作系统：Windows 10/11、macOS、Linux 均可。
• Python 版本：建议 3.9 或以上。
• 依赖库：pandas、matplotlib。
• 可选依赖：openpyxl，仅在你需要导出 Excel 时安装。

版本不需要刻意追求最新。pandas 2.x 和 matplotlib 3.x 都能正常运行本文代码。如果你的环境是 Python 3.7 或更低，建议先升级 Python 版本，否则部分语法和数据操作方式可能不兼容。

2.2 安装 Python 依赖

推荐使用虚拟环境，避免污染系统 Python。打开终端，执行：

mkdir pingpong_data_analysis cd pingpong_data_analysis python -m venv venv

Windows 下激活虚拟环境：

venv\Scripts\activate

macOS 或 Linux 下激活虚拟环境：

source venv/bin/activate

然后安装依赖：

pip install pandas matplotlib

如果你想导出 Excel 报表，可以再安装：

pip install openpyxl

安装完成后，可以用下面的命令确认版本：

python -c "import pandas as pd; import matplotlib; print(pd.__version__, matplotlib.__version__)"

只要命令能正常输出版本号，环境就准备好了。

2.3 项目目录结构

为了让代码清晰，建议按下面的结构组织文件：

pingpong_data_analysis/ ├── make_sample_data.py ├── analyze.py ├── match_records.csv ├── player_stats.csv ├── win_chart.png └── head_to_head_matrix.png

其中：

• make_sample_data.py：负责构造示例比赛数据，并写入match_records.csv。
• analyze.py：主分析脚本，读取 CSV、清洗、统计、画图、导出报表。
• match_records.csv：比赛数据源文件，由脚本生成。
• player_stats.csv：选手统计报表。
• win_chart.png：胜场数柱状图。
• head_to_head_matrix.png：选手间胜率热力图。

后面我们逐文件编写。

3. 数据获取与数据合规

3.1 数据从哪里来

真实乒乓球赛事数据可以来自官方网站、赛事新闻、体育数据平台。常见字段包括选手名称、比赛日期、赛段、比分、场馆等。

在把数据交给程序分析之前，我们通常要完成两步：

1. 人工或脚本采集原始数据。
2. 把原始数据整理成统一结构的表格。

如果你的数据来源是网页，可以用 requests 抓取 HTML，再用 BeautifulSoup 解析页面。但这篇文章不直接写爬虫逻辑，因为不同网站的反爬策略和页面结构差异很大，写死某一家网站的解析规则反而容易过时。

3.2 爬取公开数据时的边界

公开网页数据不等于可以随意大批量抓取。开发者在做数据采集时，至少要关注几点：

• 查看网站的robots.txt，了解服务端是否允许爬取。
• 遵循网站的服务条款，不用于商业用途。
• 控制请求频率，避免对目标服务器造成压力。
• 尊重版权，尤其是转述和引用比赛数据时要注明来源。

如果只是自己做学习研究，建议用少量数据做技术验证，不要在公网上高频请求。

3.3 为什么本文使用模拟数据

很多初学者卡在“找不到数据”这一步。其实对数据分析项目来说，第一步是打通代码流程，而不是纠结数据是否绝对真实。本文构造一份模拟数据集，字段结构尽量接近真实比赛数据，这样你可以完整跑通“读取-清洗-统计-可视化-导出”的全流程。等代码验证完毕，再把数据源替换成真实的官方赛程数据即可。

需要特别说明的是：本文数据集中出现的“张本智和”“吴晙诚”仅用于关联赛事背景，所有比分、日期、场馆记录均为演示用途，不代表该赛事真实统计结果。

4. 数据建模与示例数据集

4.1 字段设计

建表之前，先想清楚需要哪些字段。本文设计一个match_records.csv，字段如下：

为什么字段这样设计？原因在于，后续统计需要区分胜方和负方，而“选手一”“选手二”这种对称结构可以保留原始对阵信息，不会在采集阶段就丢失顺序。总比分用两个独立的数字字段记录，后续计算净胜局时非常方便。

4.2 构造示例数据集

新建make_sample_data.py，写入以下代码：

# 文件路径：make_sample_data.py import pandas as pd def build_demo_data(): columns = [ "date", "tournament", "stage", "player1", "player2", "score1", "score2", "duration_min", "venue", ] rows = [ ["2025-04-01", "横滨冠军赛", "1/4决赛", "张本智和", "选手A", 3, 0, 25, "横滨体育馆"], ["2025-04-02", "横滨冠军赛", "半决赛", "张本智和", "选手B", 3, 2, 48, "横滨体育馆"], ["2025-04-03", "横滨冠军赛", "决赛", "张本智和", "吴晙诚", 4, 1, 42, "横滨体育馆"], ["2025-03-15", "新加坡大满贯", "1/4决赛", "吴晙诚", "选手C", 3, 1, 36, "新加坡室内体育馆"], ["2025-03-16", "新加坡大满贯", "半决赛", "吴晙诚", "选手D", 1, 3, 39, "新加坡室内体育馆"], ] df = pd.DataFrame(rows, columns=columns) return df if __name__ == "__main__": df = build_demo_data() df.to_csv("match_records.csv", index=False, encoding="utf-8-sig") print("示例数据已生成到 match_records.csv") print(df.to_string(index=False))

这段代码使用 pandas 的DataFrame构造表格数据。注意to_csv中的encoding="utf-8-sig"参数，它会在文件开头写入 BOM 头，让 Excel 打开 CSV 时中文不乱码。如果你在命令行里运行脚本，可以看到表格内容打印在终端上。

4.3 运行数据生成脚本

在项目目录下执行：

python make_sample_data.py

预期输出中，你会看到一张包含 5 场比赛记录的表。同时项目目录下多出match_records.csv文件。

有一点需要提醒：示例数据只有 5 条记录，真实项目里数据量会大得多。不过本文重点是演示流程，数据量小反而更容易排查问题。

5. 核心代码实现：赛事数据分析

接下来编写主分析脚本analyze.py。为了讲解清晰，我按功能拆成几个代码块，最终合并在同一个脚本中。

5.1 读取与清洗数据

数据分析第一步永远是“清洗”。原始数据可能存在空值、字符串空格、错误类型等问题。下面这段代码负责读取 CSV，并做基础清洗：

# 文件路径：analyze.py（片段一：加载与清洗） import pandas as pd def load_and_clean(path="match_records.csv"): df = pd.read_csv(path, dtype={"date": str}) # 删除对阵双方或比分为空的行 df = df.dropna(subset=["player1", "player2", "score1", "score2"]) # 比分必须转成整数，否则后续计算会报错 df["score1"] = df["score1"].astype(int) df["score2"] = df["score2"].astype(int) # 比赛时长如果是空值，暂时转为 NaN df["duration_min"] = pd.to_numeric(df["duration_min"], errors="coerce") # 去掉选手名两侧空格 df["player1"] = df["player1"].str.strip() df["player2"] = df["player2"].str.strip() return df

这里有几个关键点：

• dtype={"date": str}设置日期字段读入时按字符串处理，避免被 pandas 自动解析成时间格式。
• dropna会删除关键字段为空的行，防止统计时出现错误。
• astype(int)把比分强制转为整数，因为 CSV 里的3可能被读成字符串。
• pd.to_numeric(..., errors="coerce")是常见的容错写法，遇到无法转成数字的值时记为NaN，而不是让程序崩溃。

5.2 添加派生字段

清洗完成后，我们需要在表中增加一些方便统计的派生字段，比如净胜局、总比分、胜方标记：

# 文件路径：analyze.py（片段二：派生字段） def add_result_columns(df): df["score_gap"] = (df["score1"] - df["score2"]).abs() df["total_score"] = df["score1"] + df["score2"] df["is_player1_win"] = df["score1"] > df["score2"] return df

score_gap表示两名选手赢得的局数差距。比如张本智和 4:1 击败吴晙诚，净胜局为 3。total_score是双方总局数，这项指标可以粗略反映比赛激烈程度。is_player1_win是一个布尔值，后续判断胜负时可以直接使用。

5.3 按选手统计核心指标

现在实现一个通用的选手统计函数。它能在“这名选手出现在 player1 还是 player2”两种情况下，正确统计出场次数、胜场数、胜率、净胜局和平均用时：

# 文件路径：analyze.py（片段三：选手统计） def player_stats(df, player): sub = df[(df["player1"] == player) | (df["player2"] == player)].copy() sub["win"] = sub.apply( lambda r: (r["player1"] == player and r["score1"] > r["score2"]) or (r["player2"] == player and r["score2"] > r["score1"]), axis=1, ) games = len(sub) wins = int(sub["win"].sum()) win_rate = wins / games if games else 0 total_gap = 0 for _, r in sub.iterrows(): if r["player1"] == player: total_gap += r["score1"] - r["score2"] else: total_gap += r["score2"] - r["score1"] avg_duration = sub["duration_min"].mean() return { "player": player, "games": games, "wins": wins, "win_rate": round(win_rate, 3), "total_score_gap": total_gap, "avg_duration": round(avg_duration, 1) if pd.notna(avg_duration) else None, }

这段代码的思路是：先用布尔条件筛选出包含该选手的所有比赛，再判断每一场该选手是否获胜。apply接收一个匿名函数，逐行处理，逻辑直观。计算总净胜局时，如果选手在player1列，就用score1 - score2；如果在player2列，就用score2 - score1。

这里提醒一点：用apply和iterrows处理几千行数据没问题，但如果数据量达到十几万行，性能会明显下降。真实项目中建议用groupby或numpy做向量化计算。本文示例数据量小，先用最易读的方式。

5.4 主客场胜率统计

张本智和是横滨的主场选手，那么“主场胜率是否真的更高”是很有意思的问题。下面函数判断选手是否在横滨体育馆比赛，并分别统计主客场战绩：

# 文件路径：analyze.py（片段四：主客场统计） def venue_stats(df, player): sub = df[(df["player1"] == player) | (df["player2"] == player)].copy() sub["is_home"] = sub["venue"] == "横滨体育馆" result = {} for home_flag, label in [(True, "主场"), (False, "客场")]: part = sub[sub["is_home"] == home_flag] games = len(part) if games == 0: result[label] = {"games": 0, "wins": 0, "win_rate": None} continue wins = 0 for _, r in part.iterrows(): if (r["player1"] == player and r["score1"] > r["score2"]) or ( r["player2"] == player and r["score2"] > r["score1"] ): wins += 1 result[label] = { "games": games, "wins": wins, "win_rate": round(wins / games, 3), } return result

在实际项目中，“主场”不一定只看固定场馆名，有时需要维护一个“主场场馆列表”。示例代码直接把“横滨体育馆”判定为主场，逻辑简单，一目了然。

5.5 绘制胜场柱状图

接下来使用 matplotlib 绘制各选手胜场数柱状图：

# 文件路径：analyze.py（片段五：柱状图） import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "PingFang SC", "Arial Unicode MS"] plt.rcParams["axes.unicode_minus"] = False def draw_win_chart(stats_df): df = stats_df.sort_values("wins", ascending=True) plt.figure(figsize=(8, 4)) plt.bar(df["player"], df["wins"], color="#4C72B0") plt.xlabel("选手") plt.ylabel("胜场数") plt.title("模拟赛事选手胜场统计") for i, v in enumerate(df["wins"]): plt.text(i, v + 0.05, str(v), ha="center") plt.tight_layout() plt.savefig("win_chart.png", dpi=120) plt.show()

sort_values("wins", ascending=True)让胜场最少的选手排在左侧，最多的在右侧，柱子按递增顺序排列，视觉效果更好。plt.text用于在柱子上方标注具体数值。

中文字体是 Windows 和 macOS 开发者经常会遇到的问题。示例代码提供了几种常见中文字体，具体使用哪一种取决于系统中是否安装。如果画出来的图是方框字符，可以按第 7 章的排查方法处理。

5.6 绘制选手间胜率热力图

最后一类可视化是胜率热力图。它用来回答“张本智和面对吴晙诚的胜率是多少”“吴晙诚面对其他选手的胜率是多少”这类问题：

# 文件路径：analyze.py（片段六：胜率矩阵与热力图） def draw_matrix(df, players): matrix = pd.DataFrame(index=players, columns=players, dtype=float) for p1 in players: for p2 in players: if p1 == p2: matrix.loc[p1, p2] = None continue sub = df[ ((df["player1"] == p1) & (df["player2"] == p2)) | ((df["player1"] == p2) & (df["player2"] == p1)) ] if len(sub) == 0: matrix.loc[p1, p2] = None else: wins = 0 for _, r in sub.iterrows(): if (r["player1"] == p1 and r["score1"] > r["score2"]) or ( r["player2"] == p1 and r["score2"] > r["score1"] ): wins += 1 matrix.loc[p1, p2] = wins / len(sub) return matrix def draw_heatmap(matrix): fig, ax = plt.subplots(figsize=(7, 6)) im = ax.imshow(matrix.values, cmap="YlOrRd") ax.set_xticks(range(len(matrix.columns))) ax.set_xticklabels(matrix.columns) ax.set_yticks(range(len(matrix.index))) ax.set_yticklabels(matrix.index) for i in range(len(matrix.index)): for j in range(len(matrix.columns)): v = matrix.iloc[i, j] if pd.notna(v): ax.text(j, i, f"{v:.2f}", ha="center", va="center") fig.colorbar(im, ax=ax) ax.set_title("选手间胜率矩阵（行选手面对列选手）") plt.tight_layout() plt.savefig("head_to_head_matrix.png", dpi=120) plt.show()

胜率矩阵的每个格子，表示“行选手”面对“列选手”的胜率。对角线表示选手与自己比赛，没有意义，因此设置为空。

这里要明确说明：矩阵里只有两位真实选手的示例记录，其余多为占位符选手。真实项目中，矩阵会比较大，颜色深浅能直观反映选手之间的“克制关系”。

5.7 导出统计报表

统计完成后，把各选手的核心指标导出为 CSV：

# 文件路径：analyze.py（片段七：导出报表） def export_report(stats_df, path="player_stats.csv"): stats_df.to_csv(path, index=False, encoding="utf-8-sig")

index=False表示不把行号写进文件，encoding="utf-8-sig"继续解决中文乱码问题。

5.8 组装完整脚本

把上面的函数组合进main函数，形成完整的analyze.py文件：

# 文件路径：analyze.py（完整版） import pandas as pd import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "PingFang SC", "Arial Unicode MS"] plt.rcParams["axes.unicode_minus"] = False def load_and_clean(path="match_records.csv"): df = pd.read_csv(path, dtype={"date": str}) df = df.dropna(subset=["player1", "player2", "score1", "score2"]) df["score1"] = df["score1"].astype(int) df["score2"] = df["score2"].astype(int) df["duration_min"] = pd.to_numeric(df["duration_min"], errors="coerce") df["player1"] = df["player1"].str.strip() df["player2"] = df["player2"].str.strip() return df def add_result_columns(df): df["score_gap"] = (df["score1"] - df["score2"]).abs() df["total_score"] = df["score1"] + df["score2"] df["is_player1_win"] = df["score1"] > df["score2"] return df def player_stats(df, player): sub = df[(df["player1"] == player) | (df["player2"] == player)].copy() sub["win"] = sub.apply( lambda r: (r["player1"] == player and r["score1"] > r["score2"]) or (r["player2"] == player and r["score2"] > r["score1"]), axis=1, ) games = len(sub) wins = int(sub["win"].sum()) win_rate = wins / games if games else 0 total_gap = 0 for _, r in sub.iterrows(): if r["player1"] == player: total_gap += r["score1"] - r["score2"] else: total_gap += r["score2"] - r["score1"] avg_duration = sub["duration_min"].mean() return { "player": player, "games": games, "wins": wins, "win_rate": round(win_rate, 3), "total_score_gap": total_gap, "avg_duration": round(avg_duration, 1) if pd.notna(avg_duration) else None, } def venue_stats(df, player): sub = df[(df["player1"] == player) | (df["player2"] == player)].copy() sub["is_home"] = sub["venue"] == "横滨体育馆" result = {} for home_flag, label in [(True, "主场"), (False, "客场")]: part = sub[sub["is_home"] == home_flag] games = len(part) if games == 0: result[label] = {"games": 0, "wins": 0, "win_rate": None} continue wins = 0 for _, r in part.iterrows(): if (r["player1"] == player and r["score1"] > r["score2"]) or ( r["player2"] == player and r["score2"] > r["score1"] ): wins += 1 result[label] = { "games": games, "wins": wins, "win_rate": round(wins / games, 3), } return result def draw_win_chart(stats_df): df = stats_df.sort_values("wins", ascending=True) plt.figure(figsize=(8, 4)) plt.bar(df["player"], df["wins"], color="#4C72B0") plt.xlabel("选手") plt.ylabel("胜场数") plt.title("模拟赛事选手胜场统计") for i, v in enumerate(df["wins"]): plt.text(i, v + 0.05, str(v), ha="center") plt.tight_layout() plt.savefig("win_chart.png", dpi=120) plt.show() def draw_matrix(df, players): matrix = pd.DataFrame(index=players, columns=players, dtype=float) for p1 in players: for p2 in players: if p1 == p2: matrix.loc[p1, p2] = None continue sub = df[ ((df["player1"] == p1) & (df["player2"] == p2)) | ((df["player1"] == p2) & (df["player2"] == p1)) ] if len(sub) == 0: matrix.loc[p1, p2] = None else: wins = 0 for _, r in sub.iterrows(): if (r["player1"] == p1 and r["score1"] > r["score2"]) or ( r["player2"] == p1 and r["score2"] > r["score1"] ): wins += 1 matrix.loc[p1, p2] = wins / len(sub) return matrix def draw_heatmap(matrix): fig, ax = plt.subplots(figsize=(7, 6)) im = ax.imshow(matrix.values, cmap="YlOrRd") ax.set_xticks(range(len(matrix.columns))) ax.set_xticklabels(matrix.columns) ax.set_yticks(range(len(matrix.index))) ax.set_yticklabels(matrix.index) for i in range(len(matrix.index)): for j in range(len(matrix.columns)): v = matrix.iloc[i, j] if pd.notna(v): ax.text(j, i, f"{v:.2f}", ha="center", va="center") fig.colorbar(im, ax=ax) ax.set_title("选手间胜率矩阵（行选手面对列选手）") plt.tight_layout() plt.savefig("head_to_head_matrix.png", dpi=120) plt.show() def export_report(stats_df, path="player_stats.csv"): stats_df.to_csv(path, index=False, encoding="utf-8-sig") def main(): df = load_and_clean() df = add_result_columns(df) players = ["张本智和", "吴晙诚", "选手A", "选手B", "选手C", "选手D"] stats_rows = [player_stats(df, p) for p in players] stats_df = pd.DataFrame(stats_rows) print("=== 选手统计 ===") print(stats_df.to_string(index=False)) export_report(stats_df) draw_win_chart(stats_df) matrix = draw_matrix(df, players) draw_heatmap(matrix) print("\n=== 张本智和主客场表现 ===") print(venue_stats(df, "张本智和")) print("\n=== 张本智和 vs 吴晙诚 ===") head_df = df[ ((df["player1"] == "张本智和") & (df["player2"] == "吴晙诚")) | ((df["player1"] == "吴晙诚") & (df["player2"] == "张本智和")) ] print(player_stats(head_df, "张本智和")) if __name__ == "__main__": main()

6. 运行与结果说明

6.1 运行方式

确保项目目录下已经有match_records.csv，然后在虚拟环境中执行：

python analyze.py

程序会依次完成数据加载、清洗、统计和画图。执行过程中，终端会弹出两个 matplotlib 窗口，一个显示胜场柱状图，一个显示选手间胜率热力图。如果没有显示，说明当前环境缺少图形界面，你可以把plt.show()注释掉，只保留plt.savefig()，图片会保存到本地文件。

6.2 预期输出

终端中会显示类似下面的选手统计结果：

=== 选手统计 === player games wins win_rate total_score_gap avg_duration 张本智和 3 3 1.000 6 38.3 吴晙诚 2 1 0.500 0 37.5 选手A 1 0 0.000 -3 25.0 选手B 1 0 0.000 -2 48.0 选手C 1 0 0.000 -2 36.0 选手D 1 1 1.000 2 39.0

从模拟数据可以看到，张本智和 3 场比赛全部获胜，胜率 1.000，净胜局为 6，说明他在示例数据中的统治力较强。吴晙诚出战 2 场，1 胜 1 负，胜率 0.500。

“张本智和 vs 吴晙诚”的单独统计会输出张本智和对阵吴晙诚 1 场、胜率 1.000 的结果，与标题中的 4:1 赛果一致。

同时，项目目录下会生成两个图片文件和一个 CSV 报表：

• win_chart.png：各选手胜场柱状图。
• head_to_head_matrix.png：选手间胜率热力图。
• player_stats.csv：选手统计报表。

7. 常见问题与排查思路

运行数据分析脚本时，最常遇到的并不是分析逻辑问题，而是环境、编码、中文字体这些细节。下面整理一份排查表：

从工程角度说，遇到报