在数据可视化领域，单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布，却无法直观呈现 “流量 / 权重” 的流转差异；桑基图专注于流量的路径、占比与损耗，却难以体现节点在整体网络中的位置关系。而 “叠加在力导向图上的桑基图”，通过将两种图表的核心优势融合，实现了 “网络结构” 与 “流量动态” 的同步呈现，成为分析复杂系统（如用户行为路径、供应链物流、能源传输网络）的高效工具。本文将从融合逻辑、实战场景、技术实现与优化方向四个维度，解析这种复合型可视化的价值与落地方法。

一、基础认知：为何需要 “力导向图 + 桑基图” 的叠加？

要理解融合的必要性，需先明确两种图表的 “优势互补性”—— 单一图表的局限，正是叠加设计的突破口。

1. 力导向图：展现 “结构关系”，却缺失 “流量维度”

力导向图（Force-Directed Graph）以 “模拟物理力学” 为核心逻辑：节点间通过 “斥力” 保持距离，关联节点通过 “引力” 连接，最终形成布局均衡的网络结构。其核心价值在于：

• 直观呈现节点关联：清晰展示 “谁与谁相连”，尤其适合节点数量多、关系复杂的网络（如社交关系网、APP 功能跳转路径）；

• 体现节点重要性：可通过节点大小映射 “度数（关联数量）”，让核心节点（如社交网络中的 KOL）一目了然；

• 动态布局适配：支持缩放、拖拽，便于探索大型网络的局部细节（如从 “全行业供应链” 聚焦到 “某区域供应商”）。

但力导向图的局限同样明显：无法量化节点间的 “流量 / 权重” 差异。例如，在 “用户从首页跳转到各功能模块” 的分析中，力导向图能展示 “首页与‘商品列表’‘购物车’‘个人中心’相连”，却无法区分 “1000 人从首页到商品列表” 与 “100 人从首页到个人中心” 的流量差异 —— 所有连接边的视觉权重一致，导致关键流量信息被掩盖。

2. 桑基图：聚焦 “流量流转”，却弱化 “结构位置”

桑基图（Sankey Diagram）以 “流” 为核心元素：节点代表 “源头 / 中转 / 终点”，连接边的宽度映射 “流量大小”，颜色区分 “流的类型”，核心价值在于：

• 量化流量路径与占比：清晰展示 “流量从哪里来、到哪里去、占比多少”，例如 “电商平台用户从不同入口（APP、小程序、PC 端）到下单的路径占比”；

• 凸显流量损耗 / 转化：通过边的宽度变化，直观呈现流量在各环节的流失（如 “1000 个访问用户中，800 人进入商品页，300 人加入购物车，100 人最终下单”）；

• 聚焦 “路径” 而非 “节点”：适合分析线性或多分支的流转场景，如能源从发电厂到用户的传输路径、资金在各部门的流转分配。

桑基图的局限则在于：节点布局固定，无法体现整体网络结构。例如，在 “全国供应链网络” 分析中，桑基图能展示 “北京仓库→上海门店”“广州仓库→深圳门店” 的货物流量，却无法呈现 “北京仓库与广州仓库是否存在调拨关系”“上海门店与深圳门店是否共享供应商”—— 节点仅按 “流转顺序” 排列，丢失了网络的全局结构信息。

3. 叠加的核心价值：1+1>2 的信息整合

当桑基图的 “流量边” 叠加在力导向图的 “结构节点” 上时，两种图表的优势形成互补，实现了 “双维度信息同步传递”：

• 既知 “谁相连”，也知 “流量多大”：力导向图的节点布局展示 “网络结构”（如 “首页 - 商品列表 - 购物车” 的关联），桑基图的宽窄边展示 “流量差异”（如 “首页→商品列表” 的流量是 “首页→个人中心” 的 10 倍）；

• 既见 “全局结构”，也见 “局部流转”：力导向图呈现节点在整体网络中的位置（如 “核心供应商” 位于网络中心），桑基图聚焦节点间的流量细节（如 “核心供应商向 3 个仓库的供货占比”）；

• 既懂 “静态关系”，也懂 “动态变化”：力导向图展现 “静态关联结构”（如供应链的固定合作关系），桑基图展现 “动态流量变化”（如旺季与淡季的货物流量差异）。

二、融合逻辑：如何实现 “力导向图 + 桑基图” 的和谐叠加？

叠加不是简单的 “图层覆盖”，而是需要从 “数据对齐”“视觉平衡”“交互设计” 三个层面进行精细化设计，避免出现 “结构混乱”“流量遮挡” 等问题。

1. 第一步：数据对齐 —— 确保 “节点 - 流量” 一一对应

两种图表的叠加，核心前提是 “共享同一套节点体系”，需完成以下数据预处理：

• 统一节点 ID 与属性：

  • 力导向图数据：包含 “节点表”（node_id, node_name, node_type, node_size）和 “边表”（source_id, target_id）；

  • 桑基图数据：需基于同一 “node_id” 构建 “流量边表”（source_id, target_id, flow_value, flow_type）；

  • 关键原则：桑基图的 “source_id/target_id” 必须与力导向图的 “node_id” 完全一致，避免节点错位。

• 关联流量与结构属性：

  • 例如，在 “用户行为分析” 中，将 “用户从‘首页’（node_id=1）到‘商品列表’（node_id=2）的点击量（flow_value=1200）” 与力导向图中 “node1-node2” 的关联边绑定，确保流量边与结构边对应。

• 处理 “多流量类型”：

  • 若存在多种流量（如 “电商平台的新用户流量” 与 “老用户流量”），需在桑基图数据中添加 “flow_type” 字段，后续通过颜色区分，避免不同类型流量混淆。

2. 第二步：视觉平衡 —— 避免 “结构掩盖流量” 或 “流量破坏结构”

视觉设计的核心是 “让两种图表元素互不干扰，且信息层级清晰”，需遵循以下原则：

• 节点与流量边的视觉分层：

  • 力导向图节点：采用 “实心圆形”，颜色映射 “节点类型”（如供应商用蓝色、仓库用绿色、门店用橙色），大小映射 “节点度数 / 重要性”（核心节点更大）；

  • 桑基图流量边：采用 “半透明渐变线条”，宽度映射 “flow_value”（流量越大，边越宽），颜色映射 “flow_type”（如红色代表新用户流量，蓝色代表老用户流量），透明度设为 0.6~0.8（避免遮挡力导向图的结构边）；

  • 结构边与流量边的区分：力导向图的结构边用 “细实线、低饱和度颜色”（如灰色 #999），仅起 “连接标识” 作用；桑基图的流量边用 “宽线条、高饱和度颜色”，成为视觉焦点。

• 布局适配：让流量边 “贴合” 结构边：

  • 力导向图布局完成后，桑基图的流量边需沿结构边的路径绘制，避免出现 “流量边跨越其他节点” 的情况；

  • 若节点布局较密集，可通过 “力导向图参数调整”（如增大节点斥力、优化迭代次数）拉开节点间距，为流量边预留视觉空间。

• 比例控制：避免流量边过宽或过窄：

  • 流量边宽度需设置 “合理范围”（如最小宽度 1px，最大宽度 20px），避免小流量边看不见、大流量边遮挡节点；

  • 可采用 “对数缩放”（如 flow_value 取对数后映射宽度），平衡 “极大流量” 与 “极小流量” 的视觉差异。

3. 第三步：交互设计 —— 实现 “双维度信息的联动探索”

叠加图表的交互设计需支持 “结构与流量的联动查询”，让用户既能探索 “结构细节”，也能追溯 “流量来源”，核心交互功能包括：

• hover 联动：显示 “结构 + 流量” 双重信息：

  • 鼠标 hover 力导向图节点：显示 “节点名称、类型、关联节点数量”（结构信息）+“该节点的流入 / 流出总流量”（流量信息）；

  • 鼠标 hover 桑基图流量边：显示 “源节点 - 目标节点名称、流量值、流量占比（如 “占源节点总流出的 25%”）、流量类型”；

  • 示例：hover “核心供应商” 节点，既显示 “关联 3 个仓库”，也显示 “总供货量 1000 吨，其中向 A 仓库供货 400 吨（40%）、B 仓库 300 吨（30%）、C 仓库 300 吨（30%）”。

• 筛选联动：聚焦 “特定结构 / 流量”：

  • 结构筛选：点击某类节点（如 “所有门店节点”），高亮该类节点及其关联边，同时高亮流经这些节点的流量边；

  • 流量筛选：选择 “流量类型 = 新用户”，仅显示新用户相关的流量边，力导向图结构边保持低饱和度，避免干扰；

  • 场景价值：在 “供应链分析” 中，筛选 “流量值 > 500 吨” 的边，可快速定位 “核心物流路径”。

• 缩放与平移：适配大型网络探索：

  • 支持整体缩放：缩放时，节点大小、流量边宽度按比例调整，避免缩放后流量边消失或节点重叠；

  • 支持局部平移：拖拽视图时，结构节点与流量边同步移动，保持相对位置不变，便于聚焦局部网络（如 “某区域的供应商 - 仓库 - 门店” 子网络）。

三、实战场景：叠加图表解决哪些实际业务问题？

“力导向图 + 桑基图” 的叠加设计，在需要同时分析 “结构关系” 与 “流量动态” 的场景中价值显著，以下为三个典型落地场景：

1. 场景 1：用户行为路径分析 —— 从 “跳转关系” 到 “流量转化”

在 APP / 网站的用户行为分析中，需同时关注 “用户能从哪些页面跳转”（结构）和 “多少用户这么跳”（流量），叠加图表可清晰呈现：

• 结构层（力导向图）：节点为 “页面”（首页、商品列表、详情页、购物车、下单页），边为 “可跳转关系”，核心页面（如首页、商品列表）因关联多而位于中心；

• 流量层（桑基图）：边宽度映射 “页面间的用户跳转量”，颜色区分 “新用户” 与 “老用户”；

• 业务价值：

  • 发现 “低效路径”：力导向图显示 “首页→详情页” 可直接跳转，但桑基图显示该路径流量仅 50 人（占首页总流出的 5%），说明用户更习惯 “首页→商品列表→详情页”；

  • 定位 “流失节点”：桑基图显示 “商品列表→购物车” 的流量为 800 人，“购物车→下单页” 仅 200 人，说明购物车到下单的转化存在瓶颈，需优化下单流程。

2. 场景 2：供应链物流网络分析 —— 从 “合作结构” 到 “货物流量”

在多节点、多路径的供应链中，需同时掌握 “谁与谁合作”（结构）和 “货物如何流转”（流量），叠加图表可解决：

• 结构层（力导向图）：节点为 “供应商、仓库、门店”，边为 “合作关系”（如供应商→仓库、仓库→门店），核心供应商因连接多个仓库而位于网络中心；

• 流量层（桑基图）：边宽度映射 “货物运输量”，颜色区分 “常温商品” 与 “冷链商品”；

• 业务价值：

  • 优化库存分配：桑基图显示 “北京仓库向天津门店的供货量占比 80%，向石家庄门店仅 20%”，但力导向图显示 “北京仓库与石家庄门店距离更近”，可调整分配比例降低物流成本；

  • 识别风险节点：桑基图显示 “某核心供应商向 3 个仓库的供货量占总货源的 70%”，力导向图显示该供应商仅与这 3 个仓库相连，需拓展备用供应商避免断供风险。

3. 场景 3：能源传输网络分析 —— 从 “电网结构” 到 “电力分配”

在电力、天然气等能源网络中，需同时监控 “节点连接稳定性”（结构）和 “能源传输效率”（流量），叠加图表可实现：

• 结构层（力导向图）：节点为 “发电厂、变电站、用户端（工业 / 居民）”，边为 “传输线路”，变电站因连接发电厂与用户端而成为关键枢纽；

• 流量层（桑基图）：边宽度映射 “电力传输量”，颜色区分 “高峰时段” 与 “低谷时段”；

• 业务价值：

  • 平衡负载：桑基图显示 “某变电站高峰时段向工业用户的传输量占比 90%，居民用户仅 10%”，结合力导向图中 “该变电站与居民用户的连接充足”，可调整分配策略保障居民用电；

  • 定位损耗点：桑基图显示 “发电厂 A→变电站 B” 的传输量为 100MW，“变电站 B→用户端” 仅 80MW，说明该线路损耗 20%，需排查线路故障。

四、技术实现：工具选择与关键代码逻辑

“力导向图 + 桑基图” 的叠加实现，需根据 “技术门槛”“交互需求” 选择合适工具，主流方案分为 “低代码工具（如 Tableau、Power BI）” 和 “代码开发（如 D3.js、ECharts）” 两类。

1. 方案 1：低代码工具 —— 快速落地，适合非技术人员

以 Tableau 为例，通过 “双层工作表叠加” 实现，核心步骤：

• 步骤 1：构建力导向图基础层：

  • 数据准备：节点表（node_id, node_name, node_type）、结构边表（source_id, target_id）；

  • 制作图表：将 “source_id”“target_id” 拖到 “列”，“node_name” 拖到 “详细信息”，选择 “图表类型→力导向图”，设置节点大小映射 “关联数量”，颜色映射 “node_type”。

• 步骤 2：构建桑基图流量层：

  • 数据准备：流量边表（source_id, target_id, flow_value, flow_type）；

  • 制作图表：将 “source_id”“target_id” 拖到 “列”，“flow_value” 拖到 “行”，选择 “图表类型→桑基图”，设置边宽度映射 “flow_value”，颜色映射 “flow_type”，调整边透明度为 0.7。

• 步骤 3：叠加两层工作表：

  • 在 Dashboard 中，先添加 “力导向图工作表”，再添加 “桑基图工作表”，设置桑基图工作表的 “浮动” 布局，调整位置与大小，确保节点对齐；

  • 开启 “联动筛选”：在 Dashboard 中设置 “source_id/target_id” 为联动字段，实现 “点击力导向图节点，桑基图同步高亮对应流量”。

2. 方案 2：代码开发 —— 高度定制，适合复杂交互需求

以 D3.js 为例（最灵活的可视化库），核心代码逻辑（简化版）：

// 1. 初始化SVG画布

const svg = d3.select("#chart")

 .append("svg")

 .attr("width", 800)

 .attr("height", 600);

// 2. 加载并预处理数据（统一节点ID）

d3.json("network_data.json").then(data => {

 const nodes = data.nodes; // 节点数据：[{id, name, type}, ...]

 const links = data.links; // 结构边数据：[{source, target}, ...]

 const flows = data.flows; // 流量边数据：[{source, target, value, type}, ...]

 // 3. 构建力导向图模拟（基础结构层）

 const simulation = d3.forceSimulation(nodes)

   .force("link", d3.forceLink(links).id(d => d.id).distance(100)) // 结构边距离

   .force("charge", d3.forceManyBody().strength(-300)) // 节点斥力

   .force("center", d3.forceCenter(400, 300)); // 画布中心

 // 4. 绘制力导向图结构边（细灰色，低饱和度）

 const structureLinks = svg.append("g")

   .selectAll("line")

   .data(links)

   .enter()

   .append("line")

   .attr("stroke", "#999")

   .attr("stroke-width", 1)

   .attr("stroke-opacity", 0.5);

 // 5. 绘制力导向图节点（实心圆，颜色映射类型）

 const nodesG = svg.append("g")

   .selectAll("circle")

   .data(nodes)

   .enter()

   .append("circle")

   .attr("r", d => d.type === "core" ? 15 : 8) // 核心节点更大

   .attr("fill", d => d.type === "supplier" ? "#4285F4" : "#34A853")

   .call(d3.drag() // 支持拖拽交互

     .on("start", dragstarted)

     .on("drag", dragged)

     .on("end", dragended));

 // 6. 绘制桑基图流量边（宽边，半透明，颜色映射流量类型）

 const flowLinks = svg.append("g")

   .selectAll("path")

   .data(flows)

   .enter()

   .append("path")

   .attr("d", d => { // 沿结构边路径绘制贝塞尔曲线

     const source = nodes.find(n => n.id === d.source);

     const target = nodes.find(n => n.id === d.target);

     return `M${source.x},${source.y} Q${(source.x+target.x)/2},${(source.y+target.y)/2} ${target.x},${target.y}`;

   })

   .attr("stroke", d => d.type === "new" ? "#EA4335" : "#FBBC05")

   .attr("stroke-width", d => Math.max(1, Math.log10(d.value) * 2)) // 对数缩放宽度

   .attr("stroke-opacity", 0.7)

   .attr("fill", "none");

 // 7. 力导向图动画更新（确保流量边随节点移动）

 simulation.on("tick", () => {

   // 更新结构边位置

   structureLinks

     .attr("x1", d => d.source.x)

     .attr("y1", d => d.source.y)

     .attr("x2", d => d.target.x)

     .attr("y2", d => d.target.y);

   // 更新节点位置

   nodesG

     .attr("cx", d => d.x)

     .attr("cy", d => d.y);

   // 更新流量边位置（关键：随节点移动重新绘制路径）

   flowLinks

     .attr("d", d => `M${d.source.x},${d.source.y} Q${(d.source.x+d.target.x)/2},${(d.source.y+d.target.y)/2} ${d.target.x},${d.target.y}`);

 });

 // 8. 添加hover交互（显示结构+流量信息）

 flowLinks.on("mouseover", function(event, d) {

   d3.select(this).attr("stroke-opacity", 1); // 高亮流量边

   // 显示 tooltip：包含源节点、目标节点、流量值、占比

   tooltip.style("display", "block")

     .html(`<b>路径</b>: ${d.source.name} → ${d.target.name}<br>

            <b>流量</b>: ${d.value}吨<br>

            <b>占比</b>: ${(d.value/d.source.totalFlow*100).toFixed(1)}%`);

 });

});

// 拖拽交互函数（省略dragstarted、dragged、dragended实现）

function dragstarted(event, d) { ... }

function dragged(event, d) { ... }

function dragended(event, d) { ... }

3. 技术选型建议

五、优化方向：避免叠加图表的 “常见陷阱”

在落地过程中，易出现 “视觉混乱”“性能卡顿”“信息过载” 等问题，需从以下维度优化：

1. 陷阱 1：节点过多导致 “结构与流量重叠”

• 问题表现：节点数量超过 100 个时，力导向图布局拥挤，桑基图流量边相互交叉，无法区分；

• 解决方案：

  • 分层筛选：通过 “节点层级” 筛选（如先展示 “核心节点”，点击后展开 “关联节点”）；

  • 聚合节点：将 “同类型、近距离” 的节点聚合（如将 “某区域的 10 家门店” 聚合为 “区域门店” 节点），流量边按聚合后节点重新计算；

  • 局部聚焦：支持 “框选放大”，仅显示选中区域的节点与流量，避免全局混乱。

2. 陷阱 2：流量边过宽遮挡 “节点与结构边”

• 问题表现：大流量边（如宽度 20px）覆盖节点或结构边，导致无法点击节点；

• 解决方案：

  • 视觉层级调整：将 “节点” 置于最上层（z-index 最高），“流量边” 置于中间层，“结构边” 置于最下层；

  • 动态宽度：鼠标 hover 时才放大流量边宽度（默认宽度缩小 50%），既保证平时布局清晰，又能查看细节；

  • 透明度梯度：流量边越宽，透明度越低（如宽度 20px 时透明度 0.5，宽度 2px 时透明度 0.9），避免宽边遮挡。

3. 陷阱 3：交互延迟导致 “用户体验差”

• 问题表现：节点数量多或流量边复杂时，拖拽节点、hover 显示信息出现明显延迟；

• 解决方案：

  • 性能优化（代码开发场景）：

    • 使用 “WebGL” 渲染（如 Three.js）替代 SVG，提升大型网络的渲染速度；

    • 批量更新：力导向图 “tick” 事件中，每 10 帧更新一次流量边位置，而非每帧更新；

  • 简化交互（低代码场景）：

    • 关闭 “实时拖拽更新”，拖拽结束后再更新流量边位置；

    • 减少 hover 信息的复杂度，仅显示核心数据（如节点名称、流量值），点击后再显示详细信息。

4. 陷阱 4：颜色编码混乱导致 “流量类型区分困难”

• 问题表现：流量类型超过 5 种时，颜色差异不明显，无法区分 “新用户”“老用户”“流失用户” 等类型；

• 解决方案：

  • 组合编码：用 “颜色 + 线型” 区分（如红色实线代表新用户，红色虚线代表流失用户）；

  • 图例优化：将 “流量类型图例” 与 “节点类型图例” 分开，标注清晰；

  • 一致性原则：同一流量类型在不同图表（如叠加图、辅助柱状图）中颜色保持一致，避免用户认知混乱。

六、总结：叠加可视化的核心是 “服务业务决策”

“力导向图与桑基图的叠加”，本质不是为了 “图表创新”，而是为了 “更高效地传递复杂系统的多维度信息”—— 让决策者无需在 “结构图表” 与 “流量图表” 之间切换，就能同时把握 “网络关系” 与 “动态流转”，减少信息获取成本。

这种融合可视化的价值，最终体现在 “业务决策效率的提升”：

• 对用户行为分析师，它能快速定位 “低效路径” 与 “转化瓶颈”；

• 对供应链管理者，它能直观识别 “风险节点” 与 “优化空间”；

• 对能源调度员，它能实时监控 “传输结构” 与 “负载平衡”。

未来，随着数据复杂度的提升，“多图表叠加” 将成为可视化的重要方向 —— 但无论如何融合，核心原则始终不变：以业务需求为导向，让数据信息清晰、高效地服务于决策，而非追求 “技术复杂” 或 “视觉炫酷”。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0