Как использовать sankey diagram в Python?

[

Диаграмма Сэнки в Python

Введение

В этом руководстве мы рассмотрим, как создать диаграмму Сэнки в Python. Диаграмма Сэнки представляет собой графическую визуализацию потоков данных между различными категориями или узлами. Она особенно полезна для анализа потоков энергии, денежных средств или любых других типов данных, которые можно представить в виде потоков.

Установка необходимых библиотек

Прежде чем начать, убедитесь, что у вас установлены следующие библиотеки:

• Matplotlib - библиотека для визуализации данных в Python.
• Pandas - библиотека для анализа данных в Python.
• Plotly - библиотека для создания интерактивных диаграмм и графиков в Python.

pip install matplotlib pandas plotly

Подготовка данных

Процесс создания диаграммы Сэнки включает подготовку данных в правильном формате. Данные должны быть представлены в виде таблицы с колонками, указывающими источник, цель и поток данных между ними. Ниже приведен пример такой таблицы:

Источник	Цель	Поток данных
Категория A	Категория B	30
Категория A	Категория C	50
Категория B	Категория C	20
Категория C	Категория D	10
Категория D	Категория B	5

Создание диаграммы Сэнки

Импорт библиотек

import pandas as pd
import plotly.graph_objects as go

Загрузка данных

data = pd.read_csv('data.csv')

Создание диаграммы Сэнки

fig = go.Figure(data=[go.Sankey(
    node = dict(
      pad = 15,
        thickness = 20,
        line = dict(color = 'black', width = 0.5),
        label = ['Категория A', 'Категория B', 'Категория C', 'Категория D'],
        color = 'blue'
    ),
    link = dict(
        source = [0, 0, 1, 2, 3],
        target = [1, 2, 2, 3, 1],
        value = [30, 50, 20, 10, 5]
    )
)])

fig.update_layout(title_text="Диаграмма Сэнки",
                  font_size=10)

fig.show()

Заключение

В этом руководстве мы рассмотрели, как создать диаграмму Сэнки в Python. Мы установили необходимые библиотеки, подготовили данные и создали визуализацию. Диаграмма Сэнки является мощным инструментом для анализа потоков данных и может применяться в различных областях, таких как энергетика, финансы и многое другое.

Если вы хотите узнать больше о возможностях Python для анализа данных и создания визуализаций, рекомендуется ознакомиться с дополнительными ресурсами и документацией по библиотекам, упомянутым в этом руководстве.