10月8日，第19届杭州亚运会在数字人的比心中顺利闭幕了。在过去的十几天中，亚洲各国的运动健儿顽强拼搏，赛出了友谊，也赛出了风采。
为了更好的了解参加亚运会的运动员，我们收集所有参赛选手的信息，包含姓名、国籍、年龄和获得金牌数等，然后用 G2 对其进行了简单的可视化探索。
那么接下来我们就来了解整个流程和最后的可视化结果吧！完整的可视化分析页面和代码在这里。
数据收集
首先是数据的收集。我们收集的运动员数据来自于亚运会官网，该数据是一份如下的表格数据：
每一列对应一位运动员，一共有11808位运动员的信息，这里简单介绍一下每个字段的含义：
- birthday：运动员的生日
- gender：运动员的性别
- age：运动员的年龄
- height：运动员的身高，单位为米
- name：运动员的姓名
- sport：参加的运动项目名字
- gold：该运动员获得的金牌数
- silver：该运动员获得的银牌数
- bronze：该运动员获得的铜牌数
- code：运动员的唯一 id
- noc：国家的缩写
- org：国家的编号
- dis：参加的运动项目名字的缩写
- img_id：图片的 id
选择可视化工具
在获得了数据之后，就需要选择我们的可视化工具了：这里我们选择了 AntV 的 G2。
选择 G2 的原因是在其 5.0 版本中提供了 transform API ，内置了一系列数据探索的方法，可以方便地对原始数据进行聚合、筛选、排序等。同时增强了分面的能力，可以高效地探索数据的子集。
在开始分析探索前，我们封装一个工具方法，使得声明图表更加的简单。想了解更多 G2 的使用方法，可以去其 github 仓库。
function g2(options) {
const chart = new G2.Chart(); // 初始化图表
chart.options(options); // 声明可视化
chart.render(); // 渲染可视化
return chart.getContainer(); // 返回并且挂载容器
}
那么接下来，我们就用这个 g2 方法去探索我们收集的数据 data。
问题0：分布
我们首先从一个简单的任务开始，只探索数据的一个维度：height，看看运动员的高度是分布如何。
这里我们使用了 point mark 去绘制了一个散点图，因为运动员的数量较多，所以这里我们设置了点的 fillOpacity 来缓解 overplotting 的问题。在这样的情况下，颜色越深的区间，运动员的数量较多；颜色越浅的区间，运动员的数量较少。下面是我们可视化的结果：
g2({
type: "point",
data,
height: 120,
encode: { x: "height" },
style: { shape: "point", fillOpacity: 0.2 },
tooltip: { title: "name" }
})
可以发现大部分运动员的身高在1.6m到2m这个区间，最矮的运动员居然只有80cm，姓名是雷斯别克·托洛穆舍夫，是吉尔吉斯斯坦的一名皮划艇静水运动员，不知道是不是数据录入有误；最高的运动员是2.2m，是中国的一名篮球运动员。
当然我们也可以通过 boxplot mark 去绘制一个箱线图，更直观地了解运动员身高的分布。
g2({
type: "boxplot",
data,
coordinate: { transform: [{ type: "transpose" }] },
height: 120,
encode: { y: "height" }
})
问题1：相关性
完成了第一个比较简单的任务。那么接下来我们稍稍加大一点难度，这一次同时我们分析数据的三个维度：gender、sport 和 height。看看在考虑性别的情况下，运动项目和身高之间的相关性。比如什么运动的运动员身高相对较高？
这里我们同样可以使用 point mark，只不过需要对其 x，y 和 color 通道都进行编码，然后按照身高中位数进行排序。同时需要根据运动项目的数量动态计算图表高度。当然，为了更清晰的观察每个运动高度区间，我们在每个运动身高最矮和身高最高的运动员之间连一条线，最后得到如下的点线连接图：
g2({
type: "view",
width: 800,
// 去掉异常数据
data: data.filter((d) => d.height !== 0.8 && d.height !== null),
// 动态计算图表高度
height: new Set(data.map((d) => d.sport)).size * 20,
coordinate: { transform: [{ type: "transpose" }] },
encode: {
x: "sport",
y: "height"
},
scale: { y: { nice: true } },
axis: { y: { title: "height" } },
children: [
{
type: "link",
encode: { y1: "height" },
// 按照 x 通道（height）分组，
// 最小值为 y 通道，最大值为 y1 通道
transform: [{ type: "groupX", y: "min", y1: "max" }],
style: { strokeOpacity: 0.4, stroke: "black" },
tooltip: null
},
{
type: "point",
encode: { color: "gender" },
// 按照 median 中位数排序
transform: [{ type: "sortX", by: "y", reducer: "median", reverse: true }],
style: { shape: "point", fillOpacity: 0.2 }
}
]
})
可以发现篮球和排球的运动员都普遍较高，这也符合这些运动选拔运动员的标准。同时我们可以注意到，每项运动越偏右越蓝，而蓝色代表男性，说明参加比赛的男性运动员普遍比女性运动员高。另外通过观察不同运动的 link 长度，可以发现，篮球、板球等的运动员的身高差距较大，而高尔夫、马拉松游泳等运动员的身高差距较小。
问题2：计数
上面的两个任务我们都是在分析每个运动员，属于单元可视化。接下来我们来看一些和计数相关的任务，比如第一个问题：每个国家有多少人来参加了亚运会，哪个国家最多？性别比例又是怎样的？
这里我们可以用 interval mark 去绘制一个条形图，并且将数据按照国家分组之后求和，同时对结果进行堆叠和排序，最后得到一个聚合有序的堆叠条形图。下面是我们的可视化结果：
g2({
type: "interval",
width,
data,
encode: { x: "nation", color: "gender" },
transform: [
{ type: "groupX", y: "count" }, // 按照 x 通道分组，将求和结果作为 y 通道的值
{ type: "stackY", orderBy: "series" }, // y 通道堆叠，同时按照性别排序
{ type: "sortX", by: "y", reverse: true } // 对 x 通道进行排序，按照 y 的大小
],
scale: { y: { nice: true } },
tooltip: { title: "nation" }
})
比较出人意料的是，中国并不是参赛选手最多的国家，最多的居然是泰国！同时有一个很有意思的现象：参赛人数越多的国家，参赛运动员的男女比例越平衡；参赛人数越少，男性参赛选手越多。比如前几名泰国、中国和韩国等国家蓝色和绿色的高度几乎一半一半，但是叙利亚、伊拉克和不丹等没有和几乎没有绿色的条。
接下来我们来看看，每个运动项目有多人参赛？性别比例又如何？
这里为了更清晰地反映男女之间的差异，我们使用一个发散条形图（Diverging Bar Chart）。这同样需要我们对数据进行分组聚合，只不过在这之前我们需要分别用 1 和 -1 代表单个男和女运动的数量，同时在聚合之后需要根据数量的绝对值进行排序。下面是我们最后可视化的结果。
g2({
type: "interval",
data,
width,
height: 20 * new Set(data.map((d) => d.dis)).size,
coordinate: { transform: [{ type: "transpose" }] },
encode: {
x: "sport",
color: "gender",
y: (d) => (d.gender === "男" ? 1 : -1) // 向两边求和
},
transform: [
// 按照 x 通道值分组，将每一项的 y 通道求和作为组的 y 通道
{ type: "groupX", y: "sum" },
// 根据绝对值求和排序
{
type: "sortX",
by: "y",
reverse: true,
reducer: (I, V) => d3.sum(I, (i) => Math.abs(V[i]))
}
],
scale: { y: { nice: true } },
axis: {
y: {
title: "← female · male →",
labelFormatter: (d) => `${Math.abs(+d)}` // 显示绝对值
}
},
tooltip: {
title: "sport",
items: [{ channel: "y", valueFormatter: Math.abs }]
}
})
可以发现参赛运动员较多的是足球和田径，不愧是运动大项。电子竞技的参赛人数如此之多还挺意外的。同时可以发现大部分运动的男女比例都相对平衡的，但是也有一些运动看上去不太平衡：
- 电子竞技男性很多，女性很少。
- 棒球只有男性，垒球只有女性。当然这个两个项目本来就比较特殊，男性参加的叫棒球，女性参加叫垒球。
- 花样游泳几乎没有男性。花样游泳之前是只能女性参加的，这几年男性也可以参加了，同时本届亚运会也是第一届允许男性参加花样游泳的亚运会。
- 艺术体操只有女性。
问题3：出生年份
现在我们来关注 birthday 这个字段，来看看参加本次运动会的运动员都是什么时候出生的？
这里我们需要使用 rect mark，在使用 binX 对数据进行分箱之后，需要使用 stackY 对数据进行堆叠。需要注意的是，原始数据里面有一些脏数据：1900年出生和2020年之后出生的，这些我们都需要先过滤掉。最后就得到了如下的一个堆叠直方图：
g2({
type: "rect",
width: 800,
// 过滤掉脏数据
data: data.filter((d) => {
const year = new Date(d.birthday).getFullYear();
return year !== 1900 && year < 2020;
}),
encode: {
x: (d) => new Date(d.birthday).getFullYear(), // 获取出生年份
color: "gender"
},
transform: [
{ type: "binX", y: "count" }, // 对 x 通道进行分箱，求和之后最为每组的 y 通道
{ type: "stackY", orderBy: "series" }
],
style: { inset: 0.5 },
axis: { x: { title: "birthyear", tickCount: 20 } }
})
可以发现大部分运动员都是2000左右出生的，其中年龄最大的运动员大概是1940年出生的，现在已经80多岁了，是象棋运动员，而最年轻的运动员大概是15年左右出生的，目前才10岁左右，是滑板运动员。不得不感叹亚运会对年龄的包容性。
我们还可以看看每个年龄段的获奖情况，人数越多的组对应的条在越上面。
g2({
type: "rect",
width: 800,
data: data.filter((d) => {
const year = new Date(d.birthday).getFullYear();
return year !== 1900 && year < 2020;
}),
encode: {
x: (d) => new Date(d.birthday).getFullYear(),
color: (d) =>
d.gold !== 0
? "金牌"
: d.silver !== 0
? "银牌"
: d.bronze !== 0
? "铜牌"
: "无牌"
},
transform: [
{ type: "binX", y: "count" },
{ type: "stackY", orderBy: "value" }
],
scale: {
color: {
domain: ["金牌", "银牌", "铜牌", "无牌"],
range: ["#F6BD16", "#5D7092", "#CE8032", "#eee"]
}
},
style: { inset: 0.5 },
axis: { x: { title: "birthyear", tickCount: 20 } }
})
问题4：年龄和奖牌
上一个任务我们探索了出生日期，接下来我们来看看一个相关的维度：age 和奖牌之间的相关性。因为所有参赛运动员太多了，所以这里我们只关注中国的运动员。
因为涉及到了相关性，所以这里我们还是用 point mark 去绘制一个散点图，这次我们用获奖情况去编码颜色通道。同样为了考虑性别因素，我们让点向两边发散堆叠，从而得到了如下的一个发散堆叠散点图：
g2({
type: "view",
width: 800,
coordinate: { transform: [{ type: "transpose" }] },
children: [
{
type: "point",
data: data
.filter((d) => d.noc === "CHN")
.map((d) => ({
...d,
medal:
d.gold !== 0
? "金牌"
: d.silver !== 0
? "银牌"
: d.bronze !== 0
? "铜牌"
: "无牌"
})),
encode: {
x: "age",
y: (d) => (d.gender === "男" ? 1 : -1),
color: "medal",
shape: "point"
},
scale: {
x: { nice: true },
color: {
domain: ["金牌", "银牌", "铜牌", "无牌"],
range: ["#F6BD16", "#5D7092", "#CE8032", "#eee"]
}
},
axis: {
y: {
title: "← female · male →",
labelFormatter: (d) => `${Math.abs(+d)}`
}
},
transform: [
{
type: "stackY",
y1: "y",
// orderBy: "series"
orderBy: (d) => {
const medals = ["金牌", "银牌", "铜牌", "无牌"].reverse();
const index = medals.indexOf(d.medal);
return d.gender === "男" ? index : -index;
}
}
],
tooltip: {
title: "name",
items: [
{ field: "gold" },
{ field: "silver" },
{ field: "bronze" },
{ field: "age" }
]
}
},
{ type: "lineY", data: [0], style: { stroke: "black" } }
]
})
这图能获得不少有意思的信息。首先有和上一个分析任务的一致的结论：大部分参赛运动员都是2000年左右出生，所以中国大部分参赛运动员的年龄是在20到30岁之间。同时我们可以发现中国大部分女性运动员都获得了奖牌的，并且金牌获得者是最多的。相比下，男性运动员没有获得奖牌的就多不少，大概有一半左右。我们还可以发现中国的大龄运动员（40岁以上），大部分都是获得了奖牌的。
问题5：奖牌，国家和运动
上一个问题我们探索了中国个人的获奖情况，现在我们来看看每个国家和运动的获奖情况。哪些国家获和哪些运动获奖多？
因为国家和运动维度都是离散的，所以我们选择用 cell mark 绘制一个热力图，同时按照获奖人数的总数降序排序。颜色越深的块表示获奖越多，白色表示该国家的该项目没有人参加，灰色表示参加了但是没有获得任何奖牌。最后获得的可视化结果如下:
g2({
type: "cell",
width: 1100,
height: 1000,
data,
encode: {
x: "sport",
y: "nation",
color: (d) => d.gold + d.silver + d.bronze // 每个人的奖牌总数
},
transform: [
{ type: "group", color: "sum" }, // 按照 x 和 y 通道分组，并对颜色通道求和
{ type: "sortY", by: "color", reverse: true }, // y 通道排序
{ type: "sortX", by: "color", reverse: true } // x 通道排序
],
// 将 0 设置为 #eee 灰色
scale: { color: { relations: [[0, "#eee"]], palette: "puRd" } },
style: { inset: 0.5 }
})
注意：这里的总数不是奖牌榜上的总数，而是得到产生的奖牌数，因为团队运动（足球、篮球等）的一枚奖牌在奖牌榜上只会算一次，但是上图中每一个获奖运动员都会算一次。
可以发现图中白色和灰色区域不少，说明大部分国家的大部分项目都没有参加或者获奖，但是我们得为这些国家的运动员送去最高的敬意。除此之外，我们可以发现中国获奖人数是最多的，而其中游泳队又傲视群雄。这自然而然就会引出另一个问题：每个国家参赛的人数越多，就获奖越多吗？
这里我们绘制一个点线连接图来解决这个问题。首先我们需要借助 group transform 将数据按照国家分组之后，分别聚合计算总参加人数和获奖人数。然后用 point mark 去表示每一个国家，同时用 link mark 绘制一条从原点到点的线代表斜率。不难得出，斜率越大的线对应的国家获奖率（获奖人数/总人数）更高。最后的结果如下：
g2({
paddingRight: 16,
type: "view",
encode: {
x: 1,
y: (d) => (d.gold + d.silver + d.bronze === 0 ? 0 : 1),
series: "nation"
},
transform: [{ type: "group", channels: "series", x: "sum", y: "sum" }],
scale: {
x: { nice: true },
y: { nice: true }
},
axis: {
x: { title: "number of participants" },
y: { title: "number of winners" }
},
children: [
{
type: "link",
data: [2 / 3, 1 / 3],
encode: {
x: [0, 1000],
y: [0, (d) => d * 1000],
series: (d, idx) => idx
},
style: { stroke: "#777" },
labels: [
{
position: "top-right",
text: (v) => `${v.toFixed(2) * 100}%`,
dx: 4,
textAlign: "start",
textBaseline: "middle",
fontSize: 10
}
],
tooltip: false
},
{
type: "link",
data,
encode: { x1: 0, y1: 0 },
style: { stroke: "#eee" }
},
{
type: "point",
data,
labels: [
{
text: "nation",
dy: 8,
fontSize: 10,
transform: [{ type: "overlapHide" }]
}
]
}
]
})
分析可以发现，总体的趋势确实是参赛人数越多获得得奖牌数越多。并且，中国不仅仅是获奖人数最多的国家，同时也是获奖效率最高的国家（斜率最大），日本和韩国也有不错的获奖效率，相对之下泰国的获奖效率就较低。
问题6：奖牌，身高和性别
通过上面一个任务我们可以发现中国的获奖数是最多的，那么接下来我们就聚焦分析中国队的得奖情况。首先我们来看看奖牌、身高和性别之间的关系。
这里我们可以用 facetRect 将数据按照获奖情况分成四个子集，分别用堆叠直方图看看身高的分布：
g2({
type: "facetRect",
width: 1000,
height: 380,
paddingLeft: 50,
paddingBottom: 50,
data: data
.filter((d) => d.noc === "CHN") // 只关注中国
.map((d) => ({ // 生成 medal 字段，表示获奖情况
...d,
medal:
d.gold !== 0
? "金牌"
: d.silver !== 0
? "银牌"
: d.bronze !== 0
? "铜牌"
: "无牌"
})),
encode: { x: "medal" },
scale: { x: { domain: ["金牌", "银牌", "铜牌", "无牌"] } }, // 排序
children: [
{
type: "rect",
encode: { x: "height", color: "gender" },
transform: [
{ type: "binX", y: "count" }, // 分箱
{ type: "stackY", orderBy: "series" } // 堆叠
],
style: { insetLeft: 0.5 }
}
]
})
通过上图我们发现金牌、银牌、铜牌的身高分布大致相同，都是在1.7和1.8m左右的人数最多。但是无牌的运动员的身高普遍较高，大部分是在1.9m和2m之间，难道身高越高，越难获得奖牌？
问题7：统计
上一个问题我们分析了奖牌、身高和性别之间的关系，在这个任务中我们把身高这个维度换成年龄看看能得到什么结果。同样我们只关注中国队的情况。
除了改变一个分析维度之外，我们也在优化一下我们的分析方法。第一，我们可以对子集继续划分，比如按照性别这个维度。第二，我们可以用 lineX mark 结合 group transform 去绘制标注线，展现年龄的中位数。最后我们得到如下的一个二维的分面直方图：
g2({
type: "facetRect",
width: 1000,
height: 560,
paddingLeft: 50,
paddingBottom: 50,
data: data
.filter((d) => d.noc === "CHN") // 只关注中国
.map((d) => ({ // 生成 metal 字段
...d,
medal:
d.gold !== 0
? "金牌"
: d.silver !== 0
? "银牌"
: d.bronze !== 0
? "铜牌"
: "无牌"
})),
encode: {
x: "medal",
y: "gender"
},
scale: {
x: { domain: ["金牌", "银牌", "铜牌", "无牌"] },
color: {
// 设置颜色映射规则
domain: ["金牌", "银牌", "铜牌", "无牌"],
range: ["#F6BD16", "#5D7092", "#CE8032", "#eee"]
}
},
children: [
{
type: "view",
children: [
{
type: "rect",
encode: { x: "age", color: "medal" },
transform: [{ type: "binX", y: "count" }],
scale: {
color: {
domain: ["金牌", "银牌", "铜牌", "无牌"],
range: ["#F6BD16", "#5D7092", "#CE8032", "#eee"]
}
},
style: { insetLeft: 0.5 }
},
{ // 标注线
type: "lineX",
encode: { x: "age" },
transform: [{ type: "groupColor", x: "median" }],
style: {
stroke: "#F4664A",
strokeOpacity: 1,
lineWidth: 2,
lineDash: [4, 4]
},
labels: [ // 标注线文本
{
text: "age",
position: "top",
textBaseline: "top",
textAlign: "start",
dx: 5,
dy: 5,
stroke: "white",
strokeWidth: 2
}
]
}
]
}
]
})
可以发现获得金牌最多的年龄段是23岁，是不是意味着运动员的巅峰是23岁？男女在铜牌和无牌分布和中位数大致一致，但是男性运动员大部分是在31岁获得银牌的，女性是在22岁，这方面有较大的差异。
问题8：归约
接下来我们继续探索奖牌、年龄和性别之间的关系，只不过这一次问题可能要更加困难一点：有多少女运动员比获得该奖牌的最年轻的男性运动员小？又有多少女运动员比获得该奖牌的最年长的男性运动员大？同样我们只关注中国队的情况。
这次每一个视图我们用 point mark 去绘制一个散点图。其中女性运动员用彩色点表示，同时用一根彩色线标注年龄的中位数。男性运动员用深灰色点表示，同时用一根深灰色线标注线年龄的最小值，一根深灰色线线标注年龄的最大值。要回答上面的问题，我们只要关注有多少彩色的点在第一根深灰色线左边，和多个彩色的点在第二根深灰色线右边即可。最后我们获得可视化结果如下：
g2({
type: "facetRect",
height: 320,
width: 800,
paddingLeft: 5,
paddingBottom: 50,
data: data
.filter((d) => d.noc === "CHN") // 只关注中国
.map((d) => ({ // 生成获奖情况的字段
...d,
medal:
d.gold !== 0
? "金牌"
: d.silver !== 0
? "银牌"
: d.bronze !== 0
? "铜牌"
: "无牌"
})),
encode: { y: "medal" },
scale: {
y: { domain: ["金牌", "银牌", "铜牌", "无牌"] },
color: {
domain: ["金牌", "银牌", "铜牌", "无牌"],
range: ["#F6BD16", "#5D7092", "#CE8032", "#eee"]
}
},
children: [
{
type: "view",
scale: {
color: {
domain: ["金牌", "银牌", "铜牌", "无牌"],
range: ["#F6BD16", "#5D7092", "#CE8032", "#eee"]
}
},
children: [
{ // 标注最小的男性运动员
type: "lineX",
data: {
transform: [{ type: "filter", callback: (d) => d.gender === "男" }]
},
encode: { x: "age" },
transform: [{ type: "selectX", selector: "min" }],
style: { stroke: "grey", strokeWidth: 3, strokeOpacity: 1 }
},
{ // 标注最大的男性运动员
type: "lineX",
encode: { x: "age" },
data: {
transform: [{ type: "filter", callback: (d) => d.gender === "男" }]
},
transform: [{ type: "selectX", selector: "max" }],
style: { stroke: "grey", strokeWidth: 3, strokeOpacity: 1 }
},
{ // 标注女性运动员年龄的中位数
type: "lineX",
encode: { x: "age", color: "medal" },
data: {
transform: [{ type: "filter", callback: (d) => d.gender === "女" }]
},
transform: [{ type: "selectX", selector: "median" }],
style: { strokeWidth: 3, strokeOpacity: 1 }
},
{ // 男性运动员
type: "point",
data: {
transform: [{ type: "filter", callback: (d) => d.gender === "男" }]
},
encode: { x: "age", size: 2 },
style: { shape: "point", fill: "grey" }
},
{ // 女性运动员
type: "point",
data: {
transform: [{ type: "filter", callback: (d) => d.gender === "女" }]
},
encode: { x: "age", color: "medal", size: 3 },
style: { shape: "point" }
}
]
}
]
})
可以发现在金牌、银牌和铜牌的视图中，都有彩色点在第一根深灰色的线左边，看来“自古英雄不仅仅出少年，现在巾帼也不让须眉”。同时在金牌的视图中，我们也可以看见有不少彩色点在第二根深灰色的线右边，为这几个优秀的女性运动员点一个大大的赞。
问题9：金牌
最后我们来探索一个比较“功利”和简单的问题：哪些运动员获得的奖牌数最多？
这里我们用 interval mark 绘制一个简单的条形图就可以了，最后的结果如下：
g2({
type: "interval",
height: 400,
data: data.sort((a, b) => b.gold - a.gold).slice(0, 10),
encode: {
x: "name",
y: "gold",
color: "sport"
},
axis: {
x: { labelFormatter: (d) => (d.length > 5 ? d.slice(0, 5) + "..." : d) }
}
})
分析可得，“蝶后”张雨霏当之无愧的占领榜首，不过这清一色的蓝色条，让人不得不感叹中国游泳队的强大。除此之外，田径和乒乓球也是很容易获得多枚金牌的项目。
最后的最后，我们用词云图来看看中国运动员的热门情况（获得金牌数越高越热门），你第一眼看见了谁的名字？欢迎在评论区留言。
g2({
type: "wordCloud",
padding: 0,
data: data.filter((d) => d.noc === "CHN"),
encode: {
text: "name",
value: "gold",
color: "sport"
},
legend: { color: false },
layout: { fontSize: [5, 50] },
style: { textBaseline: "middle" }
})
洞察
到这里我们所有的分析任务都已经完成了，接下来我们就来总结一下我们获得洞察。
第一，中国队很厉害，但我们也应该为大部分未获奖参赛国家喝彩。 可以发现中国队不仅仅是获得奖牌最多的国家，同时也是获得奖牌效率最高的国家，而其中的游泳、龙舟、射击、田径和赛艇运动员的表现尤为的亮眼。同时我们也可以发现大部分国家都有很多项目没有参加，参加的也都大部分没有获得奖牌。不过还是得为这些国家运动员致以崇高的敬意，因为敢于拼搏才是奥林匹克运动会所倡导的精神。
第二，00后成为了参赛的主力军，10后也开始崭露头角。 大部分的参赛和获奖队员都是在2000到2005年这个区间出生的。这意味着为国体育争光得重担，也渐渐从90后移交到了这些20岁左右的千禧年“小孩”的手里。让人感到惊喜的是，也有不少10后的运动员出现在了赛场上并且获得奖牌，这也许就是体育精神的传承吧。
第三，年龄会影响成绩，但是“高龄运动员”也有春天。 通过分析发现，获得金牌的运动员大部分都在23岁左右，而26岁到31岁是获得银牌和铜牌的最佳年龄段，所以获得金牌和出名一样，得“趁早”。但是事情总有转机。我们发现一些大于40岁的高龄运动员也很多了不错的成绩，其中不乏金牌的获得者，当然这部分大多都是棋牌类比赛的运动员。不管怎么说，这确实也体现了亚运会对年龄的包容性，每运动员都有属于自己的获得奖牌的“时区”。
第四，大部分运动男女比例均衡，少部分失平衡。 在多数项目里面，男性运动员都比女性运动员要稍微多一点点。当然，也有个别项目（棒球、垒球、花样游泳等）因为项目性质出现运动员性别一边倒的情况。不过，一个不能忽视的事实就是：参加电子竞技的女性运动员凤毛麟角。
第五，不同运动的身高分布不同，高身高运动员获得奖牌也许更难。 和我们日常的认知一样，排球和篮球这样“巨人运动”的运动员往往具有较高的身高，而滑板运动员身高相对较矮是因为他们的年龄都相对较小。同时高尔夫球的运动员的身高差异是最小的。在分析身高和获奖情况之间的关系的时候，我们也发现没有得奖牌的运动员身高普遍偏高，也许身高越高越不容易获得奖牌？
第六，不能被忽视的中国女性力量。 这是可能这次分析最大的收获。中国大部分参赛女性运动员都获得了奖牌，这其中大部分还是金牌，相比之下参赛男性运动员几乎有一半都没有获得奖牌。另一方面，女性获奖的运动员的年龄覆盖面也更广，尤其是金牌，最小13岁，最大59岁。当然最后，我们国家金牌榜的榜首也是一位女性：游泳运动员张雨霏。这不得不让人想起了女篮决赛赛场上，观众高举的那条横幅：“无畏金兰”。
结语
这就是本篇文章的全部内容了，欢迎大家和我们讨论本次得到的结论。当然，如果大家还有更多的问题，也不用着急，毕竟工具和思路都在这里了，还等什么？快快行动起来吧！
如果觉得本文还不错的，欢迎去给下面的工具和仓库点赞 🌟🌟🌟，你们的支持是我们最大的动力！
