月薪起码2万+,看桑基图分分钟教饼图做人!

2023-11-02 09:30

本文主要是介绍月薪起码2万+,看桑基图分分钟教饼图做人!,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

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。

 

这篇关于月薪起码2万+,看桑基图分分钟教饼图做人!的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/329687

相关文章

软件架构模式:5 分钟阅读

原文: https://orkhanscience.medium.com/software-architecture-patterns-5-mins-read-e9e3c8eb47d2 软件架构模式:5 分钟阅读 当有人潜入软件工程世界时,有一天他需要学习软件架构模式的基础知识。当我刚接触编码时,我不知道从哪里获得简要介绍现有架构模式的资源,这样它就不会太详细和混乱,而是非常抽象和易

JobScheduler 调用导致的运行时长30分钟的功耗问题

一、SDK 的使用情况与功耗影响 案例是否导致功耗变大onStartJob return true 且子线程没有调用jobFinished()告知系统功耗变大,最长带来30分钟的partial wakelock 长持锁onStartJob return true 且子线程调用jobFinished()告知系统功耗有影响,主要线程执行时长,标准是30秒内onStartJob return fals

【超简单】1分钟解决ppt全文字体一键设置

省流 ppt的全部字体需要在“幻灯片母版”里面,“自定义字体”去设置好标题与正文的字体之后才算全部设置完毕 “视图”---“幻灯片母版” 找到“字体”---“自定义字体” 设置好中文和西文的字体,都可以按照自己的选择来,保存即可 吐槽 之所以发这么一个基础的帖子是因为,之前全网到处搜都没看到成功设置了的,其实才发现在自定义里面得多一步这个才可以,还好早发现了,希望能

青云QingCloud SD-WAN 助你分钟级构建企业专属智能广域网络

广域网接入,多地组网,分支机构、数据中心与云端的高速互联已成为保证企业业务与经营活动全程在线的必备条件。 但这也往往意味着复杂漫长的专线网络部署,昂贵的价格,访问速度不可控,缺乏弹性……是不是听起来就头疼? 你需要的是一个跨时代的新服务,一键解决上述痛点。这就是今天要介绍的青云QingCloud SD-WAN 云网一体智能组网服务。 相比传统方案,该服务可帮助用户零部署接入动态多线 BG

【anaconda 环境搭建】环境搭建python快速30分钟

1、下载anaconda https://repo.anaconda.com/archive/index.html 选择下载 Anaconda3-2019.10-Linux-x86_64.sh 2、安装linux 工具4个,上传,下载,解压,打包 yum install zip yum install unzip yum install lrzsz Yum install wget 3、r

【Docker Mysql 安装】1分钟 快速安装mysql

为了能够快速安装mysql,我们使用docker 安装。 主要步骤如下: 1、安装docker,使用国内 daocloud 一键安装命令 curl -sSL https://get.daocloud.io/docker | sh开机自启动:systemctl enable docker启动服务:docker:systemctl start docker查看docker是否启动输入命令“p

【python 异步编程】10分钟快速入门aiohttp教程

无意中发现了一个巨牛的人工智能教程,忍不住分享一下给大家。教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家。点这里可以跳转到教程。人工智能教程 一、先搞清楚什么是同步编程和异步编程? 同步编程:接到上峰指令:有两件事当天要处理完成,越快越好。那么同步是怎么工作呢,第一时间接到指令后,先处理第一件事情,等第一件事情做完了,再做第二件事情,通俗讲就是有点类似工

【python 全局解释锁】10分钟理解CPython的全局解释锁GIL

一、什么是GIL? 全局解释器锁[Global Interpreter Lock]是计算机程序设计语言解释器用于同步线程的一种机制,它使得任何时刻仅有一个线程在执行。即便在多核处理器上,使用 GIL 的解释器也只允许同一时间执行一个线程,常见的使用 GIL 的解释器有CPython与Ruby MRI。可以看到GIL并不是Python独有的特性,是解释型语言处理多线程问题的一种机制而非语言特性。 多

【深度学习 误差计算】10分钟了解下均方差和交叉熵损失函数

常见的误差计算函数有均方差、交叉熵、KL 散度、Hinge Loss 函数等,其中均方差函数和交叉熵函数在深度学习中比较常见,均方差主要用于回归问题,交叉熵主要用于分类问题。下面我们来深刻理解下这两个概念。 1、均方差MSE。 预测值与真实值之差的平方和,再除以样本量。 均方差广泛应用在回归问题中,在分类问题中也可以应用均方差误差。 2、交叉熵 再介绍交叉熵损失函数之前,我们首先来介绍信息

【异常点检测 孤立森林算法】10分钟带你了解下孤立森林算法

孤立森林(isolation Forest)算法,2008年由刘飞、周志华等提出,算法不借助类似距离、密度等指标去描述样本与其他样本的差异,而是直接去刻画所谓的疏离程度(isolation),因此该算法简单、高效,在工业界应用较多。 用一个例子来说明孤立森林的思想:假设现在有一组一维数据(如下图),我们要对这组数据进行切分,目的是把点A和 B单独切分出来,先在最大,值和最小值之间随机选择一个值