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
在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26在CDA(Certified Data Analyst)数据分析师的能力体系中,线性回归是连接描述性统计与预测性分析的关键桥梁,也是CDA二级认证的 ...
2026-03-26在数据分析、市场研究、用户画像构建、学术研究等场景中,我们常常会遇到多维度、多指标的数据难题:比如调研用户消费行为时,收 ...
2026-03-25在流量红利见顶、获客成本持续攀升的当下,营销正从“广撒网”的经验主义,转向“精耕细作”的数据驱动主义。数据不再是营销的辅 ...
2026-03-25