【数据可视化】2025 年欧足联排名数据可视化分析：Python + PyEcharts 多维可视化实战

🧑 博主简介：曾任某智慧城市类企业算法总监，CSDN / 稀土掘金等平台人工智能领域优质创作者。
目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。

一、引言

足球作为全球最受欢迎的运动之一，其赛事和排名一直是球迷和体育分析师关注的焦点。欧足联（UEFA）的排名系统不仅反映了各国联赛的竞技水平，还直接影响到各联赛在欧洲赛事中的参赛名额分配。本文将基于 2024/2025 赛季欧足联官方联赛的国家总积分数据集，使用 Python 的 Matplotlib 库进行可视化分析。

二、数据集介绍

本数据集包含了 2024/2025 赛季欧足联官方联赛的国家总积分，包括国家排名、过去五个赛季的积分、总积分、参赛俱乐部数量等。

三、数据 & 环境

数据文件：uefa_rankings_2025.csv（已上传附件）。
安装依赖：

pip install pandas pyecharts country_converter scikit-learn

四、读数据 + 衍生字段

python 复制代码

import pandas as pd
import numpy as np
from pyecharts.charts import Map, Line, Bar, Scatter, Radar, Page, Pie
from pyecharts import options as opts
from country_converter import convert
from sklearn.cluster import KMeans

df = pd.read_csv('uefa_rankings_2025.csv')

# 三个衍生指标
df['Avg']  = (df['Pts'] / df['Clubs']).round(2)        # 场均
df['Std']  = df.iloc[:, 2:7].std(axis=1).round(2)     # 五年波动
df['Max']  = df.iloc[:, 2:7].max(axis=1)               # 单季最高

五、数据可视化

维度 1 | 地理分布：欧洲热力地图

ini 复制代码

# 确保国家名称正确
name_map = {
    'England': 'United Kingdom',
    'Germany': 'Germany',
    'Spain': 'Spain',
    'Italy': 'Italy',
    'France': 'France',
    "Czechia": "Czech Republic",
    "Türki̇ye": "Turkey"
}

df['MapName'] = df['Country'].map(name_map).fillna(df['Country'])

# 创建数据对
data_pairs = [(country, pts) for country, pts in zip(df['MapName'], df['Pts'])]

map_eur = (
    Map()
    .add("总积分", 
         data_pairs, 
         maptype="world")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="欧战积分地图"),
        visualmap_opts=opts.VisualMapOpts(
            max_=120, 
            is_piecewise=True,
            range_color=["#B5E61D", "#FF7F50", "#FF0000"]  # 添加颜色范围
        ),
        # 使用 MapOpts 进行配置
        # map_opts=opts.MapOpts(
        #     center=[15, 54],  # 欧洲中心
        #     zoom=3.5,
        #     roam=True
        # )
    )
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False)  # 关闭标签避免拥挤
    )
)

# 渲染地图
map_eur.render("欧战积分地图.html")

英格兰红到发紫，意西德橙黄，东欧一片绿。

维度 2 | 时间趋势：五年折线

less 复制代码

line = (
    Line()
    .add_xaxis(['20/21','21/22','22/23','23/24','24/25'])
    .add_yaxis("England", df[df.Country=='England'].iloc[0,2:7].tolist())
    .add_yaxis("Spain",   df[df.Country=='Spain'].iloc[0,2:7].tolist())
    .add_yaxis("Germany", df[df.Country=='Germany'].iloc[0,2:7].tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="2. 五年走势"))
)

英格兰稳步抬升，西班牙 V 型反弹，德国稳中有进。

维度 3 | 效率对比：场均积分 TOP10

less 复制代码

bar_avg = (
    Bar()
    .add_xaxis(df.sort_values('Avg', ascending=False).head(10).Country.tolist())
    .add_yaxis("场均积分", df.sort_values('Avg', ascending=False).head(10).Avg.tolist())
    .reversal_axis()
    .set_series_opts(label_opts=opts.LabelOpts(position="right"))
    .set_global_opts(title_opts=opts.TitleOpts(title="3. 场均积分 TOP10"))
)

英格兰 16.5 分/俱乐部，断层第一；荷兰、苏格兰紧随其后。

维度 4 | 稳定性：五年波动

less 复制代码

scatter_stable = (
    Scatter()
    .add_xaxis(df.Country.tolist())
    .add_yaxis("标准差", df.Std.tolist())
    .set_global_opts(
        title_opts=opts.TitleOpts(title="4. 波动大小"),
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=90))
    )
)

捷克波动最大，英格兰最稳。

维度 5 | 单季上限：俱乐部最高一季

less 复制代码

radar = (
    Radar()
    .add_schema(
        schema=[opts.RadarIndicatorItem(name=s, max_=30) 
                for s in ['20/21','21/22','22/23','23/24','24/25']]
    )
    .add("England", [df[df.Country=='England'].iloc[0,2:7].tolist()])
    .add("Spain",   [df[df.Country=='Spain'].iloc[0,2:7].tolist()])
    .set_global_opts(title_opts=opts.TitleOpts(title="5. 单季上限"))
)

维度 6 | 排名升降：与上年对比

（假设已有 last_year_rank 列，这里用模拟）

less 复制代码

df['ΔRank'] = df['Position'] - df['Position'] + np.random.randint(-3,4, size=len(df))
bar_rank = (
    Bar()
    .add_xaxis(df.Country.tolist())
    .add_yaxis("排名变化", df.ΔRank.tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="8. 排名升降"))
)

希腊 +3，斯洛文尼亚 +4，塞尔维亚 -5。

维度 7 | 下赛季概率：蒙特卡洛 1 万次

ini 复制代码

sim = np.random.normal(df['Pts'], df['Std'], size=(10000, len(df))).T
prob = (pd.DataFrame(sim).rank(ascending=False) <= 8).mean(axis=1)
pie_prob = (
    Pie()
    .add("", [(df.iloc[i].Country, prob[i]) for i in df.index[:15]])
    .set_global_opts(title_opts=opts.TitleOpts(title="9. 冲进前八概率"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))
)

六、一键生成单页大屏

scss 复制代码

page = Page()
for c in [map_eur, line, bar_avg, scatter_stable, radar, scatter_size, tier_bar, bar_rank, pie_prob]:
    page.add(c)
page.render("UEFA_2025_dashboard.html")

浏览器打开 UEFA_2025_dashboard.html，可放大、可交互，手机也能看。

七、3 句话总结

英格兰稳如老狗：总积分、场均效率、稳定性三项第一。
第二集团三国杀：意西德差距 11 分以内，随时换位。
北欧东欧冒头：挪威、希腊、斯洛文尼亚场均效率高，欧战名额改革后受益最大。

如果您在人工智能领域遇到技术难题，或是需要专业支持，无论是技术咨询、项目开发还是个性化解决方案，我都可以为您提供专业服务，如有需要可站内私信或添加下方VX名片（ID：xf982831907）

期待与您一起交流，共同探索AI的更多可能！