继续探讨“圈运”的量化--更好的方案和数据的获取
我们试图用简单的总结性数据进行圈运的量化，也就是用“每单位存活时间队伍的移动距离”来量化圈运，但正如之前两个帖子中所说，这个方法有很多问题，使得它并不准确。在这个帖子中，我们提出一个更好的方案，更重要的是，我们开发出一些代码来获取实现这个方案所需要的数据。
在这里，我们用更直观更准确的圈运量化方式，也就是用“刷圈瞬间队伍所处位置离新圈中心的距离”来量化圈运。实现这个方法的难点在于获得这个距离的数据，由于官方并不提供每场比赛的原始数据，这个距离是比较难获得的，这也是我们之前试图用更容易获得的总结性数据进行尝试的原因。在下面的篇幅中，我们用PGC2022小组赛A组第一场比赛的第四圈作为例子来描述我们用以获得这个距离的方法。
在twire.gg，我们可以找到PGC2022每场比赛的分析视频，它长成下面这个样子（图1），我们可以拖动时间轴获得每个选手的位置信息以及圈的信息。
作为例子，我们找到这场比赛第四圈的刷新瞬间，并得到下面的截图（图2）。
接下来，我们将这个截图输入我们开发的代码。这个代码将进行下面几步的分析：
- 自动检测出新圈的位置和半径（使用Circle Hough Transform）
- 自动检测出所有选手的位置（使用Circle Hough Transform）
- 通过选手图标的颜色判断选手所在队伍
代码的输出结果如下图所示（图3）。我们可以看到，新圈和各个队伍的位置信息均被自动监测到。
有了这些信息以后，我们可以很容易获得每个队伍选手距离新圈中心的平均距离。在这个例子中，这个距离如下图所示（图4）。其中y轴显示的单位是相对于新圈半径的百分比。比如，在这场比赛的第四圈刷新的瞬间，SQ离圈中心最远（~150%新圈半径），我们可以说对这个圈，SQ圈运最差，而相对的，22离圈中心最近（~30%新圈半径），也就是圈运最好。
现在我们已经开发出了获得可以准确量化圈运的数据的代码，在接下来的几天，如果时间允许的话，我们将手动截图每场小组赛的每个圈刷新的瞬间，然后用我们的代码处理这些截图并获得相关数据，届时将会把最后的圈运量化结果展示给大家。
另外一个我非常感兴趣的问题是，哪个圈的圈运对于最终的得分最重要。这是一个对于队伍运营非常有指导意义的问题。现在，有了每场比赛每个圈刷新瞬间每个队伍离圈中心的距离，我们可以进行一些简单的回归分析，就可以获得哪个圈圈运最重要的结论。我非常期待这个分析的结果，届时也将分享给大家。
