python画图宽度_手把手教你用 Python 绘制酷炫的桑基图！
桑基是何许图也？ 据笔者不严谨的抽样提问统计，90%想学习桑基图的旁友，都是被她妖艳炫酷的外表所吸引。 而桑基图真正代表了什么？和类似图表相比的独特性是什么？却几乎无人问津。 害！人真的是视觉动物！ 言归正传，我们来看看百科的官方解释： 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"。 Emmm，有点内个意思了，结合其他资料，做进一步的汇总提炼：
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
文字太苍白，下面我们用Python来绘制一个具体的实例。
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。 这里我们用“当代青年熬夜原因分析”数据为例： (数据来源：这个数据是笔者近两周卖炒粉时口头做的调研) 
很规整的性别、熬夜原因、人数三列数据。 不过，要用pyecharts来画图，得入乡随俗，按照它定的规则来规整数据源。 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： 
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： 
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 Sankeyfrom pyecharts import options as optspic = ( 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')
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： 
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： 
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： 
规整汇总好之后，只需要复用上面的linkes代码： 
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')
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。原本死板的数据，在桑基的装扮之下，变得楚楚动人。 作者： 周志鹏，3年数据分析，深切感受到数据分析的有趣和学习过程中缺少案例的无奈，遂新开公众号「数据不吹牛」，定期更新数据分析相关技巧和有趣案例(含实战数据集)，欢迎大家关注交流。 声明：本文为作者投稿，版权归其所有。 【End】
☞大龄程序员都去哪？分享我身边的几个故事
☞Spark3.0发布了，代码拉过来，打个包，跑起来！| 附源码编译
☞业内最大的“空气币”——以太坊？？？
你点的每一个在看，我认真当成了喜欢