
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在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09