利用Python绘制桑基图

桑基图(Sankey diagram)，即桑基能量分流图，也叫桑基能量平衡图。它是一种特定类型的流程图，图中延伸的分支的宽度对应数据流量的大小，通常应用于能源、材料成分、金融等数据的可视化分析。因1898年Matthew Henry Phineas Riall Sankey绘制的"蒸汽机的能源效率图"而闻名，此后便以其名字命名为"桑基图"。

汇总提炼：

• 桑基两个字取自“发明”者的名字
• 属于流程图的一种，核心在于展示数据的流转
• 主要由节点、边和流量三要素构成，边越宽代表流量越大
• 遵循守恒定律，无论怎么流动，开端和末端数据总是一致的

Python手把手绘制桑基图

动手之前，我们再次敲黑板，回顾桑基图组成要素的重点——节点、边和流量。

任何桑基图，无论展现形式如何夸张，色彩如何艳丽，动效如何炫酷，本质都逃不出上述3点。

只要我们定义好上述3个要素，Python的pyecharts库能够轻松实现桑基图的绘制。

import pandas as pd
import os
import numpy as np
import matplotlib.pyplot as plt
from pyecharts.charts import Sankey
from pyecharts import options as opts
%matplotlib inline

这里我们用“当代青年熬夜原因分析”数据为例：

df = pd.DataFrame({
    '性别':['男','男','男','女','女','女'],
    '熬夜原因':['打游戏','加班','看剧','打游戏','加班','看剧'],
    '人数':[57,13,30,33,5,62]
})
df

首先是节点，这一步需要把所有涉及到的节点去重规整在一起。也就是要把性别一列的“男”、“女”和熬夜原因一列的“打游戏”、“加班”、“看剧”以列表内嵌套字典的形式去重汇总：

nodes = []

for i in range(2):
    values = df.iloc[:,i].unique()
    for value in values:
        dic = {}
        dic['name'] = value
        nodes.append(dic)
        
nodes

[{'name': '男'}, {'name': '女'}, {'name': '打游戏'}, {'name': '加班'}, {'name': '看剧'}]

接着，定义边和流量，数据从哪里流向哪里，流量（值）是多少，循环+字典依然可以轻松搞定：

linkes = []

for i in df.values:
    dic = {}
    dic['source'] = i[0]
    dic['target'] = i[1]
    dic['value'] = i[2]
    linkes.append(dic)

linkes

[{'source': '男', 'target': '打游戏', 'value': 57},
 {'source': '男', 'target': '加班', 'value': 13},
 {'source': '男', 'target': '看剧', 'value': 30},
 {'source': '女', 'target': '打游戏', 'value': 33},
 {'source': '女', 'target': '加班', 'value': 5},
 {'source': '女', 'target': '看剧', 'value': 62}]

source-target-value的字典格式，很清晰的描述了数据的流转情况。

这两块数据准备完毕，桑基图已经完成了80%，剩下的20%，只是固定格式的绘图代码：

from pyecharts.charts import Sankey
from pyecharts import options as opts

pic = (
    Sankey()
    .add('', #图例名称
         nodes,    #传入节点数据
         linkes,   #传入边和流量数据
         #设置透明度、弯曲度、颜色
         linestyle_opt=opts.LineStyleOpts(opacity = 0.3, curve = 0.5, color = "source"),
         #标签显示位置
         label_opts=opts.LabelOpts(position="right"),
         #节点之前的距离
         node_gap = 30,
    )
    .set_global_opts(title_opts=opts.TitleOpts(title = '熬夜原因桑基图'))
)

pic.render('test.html')

一个回车下去，看看成果：

果然，男打游戏女看剧，加班熬夜是儿戏。

如果想要垂直显示，只需要在add函数里面加一个orient="vertical"就好：

pic = (
    Sankey()
    .add('',
         nodes,
         linkes,
         linestyle_opt=opts.LineStyleOpts(opacity = 0.3, curve = 0.5, color = "source"),
         label_opts=opts.LabelOpts(position="top"),
         node_gap = 30,
         orient="vertical",      #更改的是这里
    )
    .set_global_opts(title_opts=opts.TitleOpts(title = '熬夜原因细分桑基图'))
)

pic.render('test2.html')

OK！不过，还有同学意犹未尽，这个是涉及到两层的流转，

那如果三层，需要怎么画呢？

不慌，先导入（狗粮）数据：

df = pd.read_excel('sankey.xlsx')
df.head(10)

这是某宠物品牌，3月份主要产品购买路径（第一次和第二次）的数据，先是品类，其次是第一次购买的产品类型，接着是第二次购买的产品类型，最后一列对应人数。

注：这里第一次购买的产品前面加了“1-”，第二次购买加了“2-”的区分标识。

画图必备的nodes节点实现很简单，所有节点（品类、第一次购买、第二次购买）做去重汇总，对上面生成nodes代码稍作调整就可以：

nodes = []

for i in range(3):
    values = df.iloc[:,i].unique()
    for value in values:
        dic = {}
        dic['name'] = value
        nodes.append(dic)
nodes

[{'name': '狗粮'},
 {'name': '玩具'},
 {'name': '1-小规格狗粮'},
 {'name': '1-大规格狗粮'},
 {'name': '1-磨牙棒'},
 {'name': '2-未购买'},
 {'name': '2-磨牙棒'},
 {'name': '2-小规格狗粮'},
 {'name': '2-大规格狗粮'}]

而linkes只接受source-traget-value的格式，得先对源数据进行格式调整，分别形成“品类-第一次购买-人数”，“第一次购买-第二次购买-人数”的样式，再统一汇总：

first = df.groupby(['品类','第一次购买'])['人数'].sum().reset_index()
second = df.iloc[:,1:]
first.columns = ['source','target','value']
second.columns = ['source','target','value']
result = pd.concat([first,second])
result.head(10)

规整汇总好之后，只需要复用上面的linkes代码：

linkes = []

for i in result.values:
    dic = {}
    dic['source'] = i[0]
    dic['target'] = i[1]
    dic['value'] = i[2]
    linkes.append(dic)

linkes

[{'source': '狗粮', 'target': '1-大规格狗粮', 'value': 613},
 {'source': '狗粮', 'target': '1-小规格狗粮', 'value': 1018},
 {'source': '玩具', 'target': '1-磨牙棒', 'value': 197},
 {'source': '1-小规格狗粮', 'target': '2-未购买', 'value': 654},
 {'source': '1-小规格狗粮', 'target': '2-磨牙棒', 'value': 21},
 {'source': '1-小规格狗粮', 'target': '2-小规格狗粮', 'value': 231},
 {'source': '1-小规格狗粮', 'target': '2-大规格狗粮', 'value': 112},
 {'source': '1-大规格狗粮', 'target': '2-未购买', 'value': 375},
 {'source': '1-大规格狗粮', 'target': '2-磨牙棒', 'value': 23},
 {'source': '1-大规格狗粮', 'target': '2-小规格狗粮', 'value': 18},
 {'source': '1-大规格狗粮', 'target': '2-大规格狗粮', 'value': 197},
 {'source': '1-磨牙棒', 'target': '2-未购买', 'value': 157},
 {'source': '1-磨牙棒', 'target': '2-磨牙棒', 'value': 3},
 {'source': '1-磨牙棒', 'target': '2-小规格狗粮', 'value': 24},
 {'source': '1-磨牙棒', 'target': '2-大规格狗粮', 'value': 13}]

画图代码几乎没变，只是改了个标题：

pic = (
    Sankey()
    .add('',
         nodes,
         linkes,
         linestyle_opt=opts.LineStyleOpts(opacity = 0.3, curve = 0.5, color = 'source'),
         label_opts=opts.LabelOpts(position = 'top'),
         node_gap = 30,
    )
    .set_global_opts(title_opts=opts.TitleOpts(title = '客户购买路径流转图'))
)
pic.render('test3.html')

大功告成，So easy！无论是多少层数据的流转，只要定义好nodes和linkes，就能以不变应万变。

最后，通过上面的桑基图，我们能够非常直观的洞察到客户购买流转规律：

• 出于试错成本的考量，大部分客户第一次购买的是小规格狗粮。
• 第一次购买小规格狗粮的客户，流失（第二次未购买）情况严重，且再次购买客户，更倾向于继续选择小规格狗粮尝试，而不是信任性的购买大规格狗粮。
• 第一次购买大规格狗粮的客户，留存下来的客户已经建立起对品牌的信任感，再次购买大部分选择了大规格狗粮。
• 购买狗粮的客户第二次复购鲜有尝试玩具的，而第一次购买玩具的客户，也并未建立起对品牌狗粮的兴趣。

学习来源