京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者:伍正祥
来源:AI入门学习
今天教大家画一个图,桑基图,一个大大提高你的江湖地位的图。桑基图是一种流图,其实在前期文章中提到过,但是并没有讲细节的画法,现在教大家两种画法,一个是R语言(案例1、2、3),一个是直接在线画(案例4)。
案例1:你的工资是怎么霍霍的?
假如你月薪20000,你能拿到多少?最后花完还剩多少?可能比你想象的要少。一部分被国家拿走,当然国家并不是要你的钱,只是帮你存起来,等你长大了,不对,是老了会还给你的(此处我想起了压岁钱的故事),当然税收部分,那国家说了,强制征收,打死都不会给你的。国家的拿完了,然后扣除柴米油盐酱醋茶等一些列开支,你会发现,又回到了穷人的队伍。
以杭州为例,根据工资计算器,五险一金+所得税大约扣6000多,你能拿到13000多,为什么扣这么多,因为杭州公积金12%,所以欢迎大家来杭州发展。除掉五险一金,就是各项生活开支了,最后剩下不足4000了。说了这么多,数据怎么表达更直观,大部分网站都用二维饼图,在分类很多的情况下,饼图比较乱,其实桑基图会有更好的表现力,看具体的绘图步骤。
step1:数据准备,理清各类数据金额或者比例
step2:数据格式转换,宽格式的转换成3列,注意会汇总多一行或者多行
step3:可以把数字标签加到文本描述里面,准备好后,套用文末代码即可
工资是怎么样离你而去的
案例2:比赛数据样本量统计
比赛分为初赛和复赛,初赛复赛分别有训练集和测试集,在训练集中,有5个分类,存在各种交叉,用桑基图如下。
比赛数据样本量统计
案例3:手机各个渠道销售量统计
手机品牌商会在不同的渠道进行销售,不同渠道又会在不同的省份进行销售,用其他类型的图表表达都显得拥挤,但是桑基图恰到好处的表现出来了,可以在标签上加上各个渠道的占比。
某品牌手机各个渠道销售量统计
案例4:在线用Echart绘制桑基图
绘图思路及数据准备和上面一样,只要手动更改标签及数据,运行即可得到想要的图形,下面是原始的demo截图,非常简单。
案例5:其他作品欣赏(需要一些开发资源)
开头图代码:
URL <-'https://raw.githubusercontent.com/christophergandrud/d3Network/sankey/JSONdata/energy.json'
Energy <- jsonlite::fromJSON(URL)
sankeyNetwork(Links = Energy$links, Nodes = Energy$nodes, Source = "source", Target = "target", Value = "value",NodeID = "name",fontSize = 12, nodeWidth = 30)
案例123代码,只需要更换文件即可
library(networkD3)#安装并包加载,如果没有请安装
library(dplyr)
setwd("C:/Users/wuzhengxiang/Desktop/R语言可视化/Sankey")#文件的存储空间
sankey = read.csv("手机销售渠道统计.csv",header=T,stringsAsFactors = FALSE)#读取数据
Sankeynodes = data.frame(name = unique(c(sankey$Source,sankey$Target)))
Sankeynodes$index = 0:(nrow(Sankeynodes)-1)
Sankeylinks = sankey
Sankeylinks = left_join(Sankeylinks,Sankeynodes,by=c('Source'='name'))
Sankeylinks = left_join(Sankeylinks,Sankeynodes,by=c('Target'='name'))
Sankeydata = Sankeylinks[,c(4,5,3)]
names(Sankeydata) = c("Source","Target","Value")
Sankeyname = select(Sankeynodes,name)
sankeyNetwork(Links = Sankeydata,Nodes = Sankeyname, Source = "Source",Target = "Target", Value = "Value", NodeID = "name", units = "元", #根据具体单位填写, fontSize = 12, nodeWidth = 24,sinksRight = FALSE, colourScale = JS("d3.scaleOrdinal(d3.schemeCategory20);"))
图片中使用了大量的动图,有专门的小软件可以制作。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16