打开任何一份LOL比赛的数据面板，对位经济差、补刀差、经验差这些指标几乎随处可见。但很少有人追问：两名选手凭什么被认定为“对位”？补刀差从哪一刻开始算、到哪一刻结束？经济差是否包含团队经济与野区资源？这些问题指向同一个概念——对位数据的统计口径。口径不同，同一场比赛可能得出不同的对位结论，选手评价与赛事预测也会随之偏移。理解这套口径的演变过程，是看懂LOL比赛数据的前提。
最早期的对位数据几乎完全依赖人工记录。赛事观察员在屏幕前手动记下每条分路的补刀数与击杀数，统计范围局限于对线阶段，打野的游走与换线战术基本被忽略。这一阶段的对位数据更像观赛辅助材料，而非分析工具。人工记录的好处是灵活，能够结合场面判断哪些交锋属于有效对位；坏处是标准不统一，不同记录者对“对位期”的起止理解不同，数据难以横向比较。补刀差是当时最核心的指标，因为它直观、易记、争议小，但补刀差本身受英雄属性与回城节奏影响，单看补刀差容易高估或低估选手的实际对线表现。
随着赛事数据采集系统逐步引入，对位统计进入自动化阶段。系统从游戏客户端读取事件流，自动记录击杀、死亡、补刀、经济与经验变化，统计精度与覆盖范围大幅提升。这一阶段的关键变化不在指标数量，而在位置判定方式的革新。早期系统按固定分路归属选手位置，上单对上路、中单对中路，规则简单但无法处理换线。换线战术流行后，固定分路判定会把实际对位的两名选手拆散到不同位置，对位数据失真。动态位置识别因此成为统计口径演进的重要方向，系统依据选手的实际移动轨迹与经验获取区域判定其位置归属，再匹配对位关系。动态识别更贴近真实对局，但对算法与数据质量的要求也更高，不同数据服务商在这一环节的规则差异，正是对位数据出现分歧的主要来源之一。
指标维度也在持续扩展。补刀差与击杀差之外，经济差与经验差被纳入对位统计。经济差的计算口径存在一个容易被忽略的细节：是否计入团队经济与中立资源收益。部分统计只计算选手个人补刀与击杀所得，部分统计则包含助攻经济与全局经济分配。经验差同样面临等级追赶机制的影响，落后方在经验获取上存在补偿，简单相减会低估实际差距。分均伤害、对位经济领先、参团率等衍生指标随后出现，每个指标都有自己的计算前提。分均伤害取决于统计时间窗口，对位经济领先取决于对位关系的判定方式，参团率则与团战定义直接相关。指标越丰富，口径的透明程度就越重要，否则数据看似精确，实则难以复现。
统计时间窗口的设定同样经历演变。早期对位数据只统计对线期，理由是対线期最能体现个人能力。但对线期的终点并无统一标准，有的以防御塔告破为界，有的以首次大规模团战为界，有的以固定分钟数为界。时间窗口不同，补刀差与经济差的数值差异可能相当明显。后来的统计实践倾向于同时提供对线期与全场两套数据，让使用者根据分析目的选择。这一做法承认了对位数据的情境依赖性，也提醒读者：脱离时间窗口谈对位数据，结论往往站不住脚。
不同口径对赛事预测与选手评价的影响值得单独讨论。以对位经济领先为例，若统计口径包含打野帮助带来的经济收益，该指标反映的是分路整体优势而非选手个人对线能力；若只计算单人对线所得，则更贴近个人表现，但样本量小、波动大。赛事预测模型若混用不同口径的数据，特征权重会被系统性扭曲。选手评价同样如此，一名频繁被换线照顾的选手，其固定分路口径下的对位数据可能并不亮眼，但动态识别口径下会呈现不同面貌。理解口径差异，比记住某个具体数值更有分析价值。
对普通观众而言，实用的做法是先确认数据来源的统计口径，包括位置判定规则、时间窗口与指标定义，再进行比较。跨平台比较对位数据时，优先选择口径说明清晰的来源，避免将不同规则下的数值直接混用。对内容创作者而言，引用对位数据时标注口径来源，既能提升分析可信度，也能帮助读者建立正确的数据认知。对位数据的演变史本质上是一部统计边界不断清晰化的历史，指标会继续增加，采集精度会继续提升，但“口径先行”的原则不会改变。下一次看到对位经济差时，不妨先问一句：这个数字是按什么规则算出来的。