饱满的项链，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”。
看到这么炫酷的图，是不是心动了呢
对于土地利用文献中大多使用转移矩阵的方式。本博客实现2000年，2005年，2010年，2015年，2019年土地利用之间的转移情况使用桑基图可视化。
首选，这里土地利用与编号对应如下：
123456789ForestGrasslandGrasslandCultivated LandArtifical SurfaceWater BodyWetlandSnow and IceBare Land
使用栅格计算器工具基于2000.tif,2005.tif,2010.tif,2015.tif,2019.tif。四期数据，计算五期数据的转移情况，
公式如下：
10000*2000.tif+1000*2005.tif+100*2010.tif+10*2015.tif+2019.tif.。
得到栅格数据即为转移情况，将栅格数据的属性表导出到本地，如下，其中，11113表示2000，2005，2010，2015是1，2019是3。
笔者在后面添加十个表头，如下。将Value值拆分，分别赋值给a1-a5,name1-name5用于存储五期数据土地利用名字，如Forest(2000),Forest(2005)等
读者可以将数据做成如上格式，首选进行Value值的拆分和赋值
import pandas as pdpath=r'D:studytmp'import osos.chdir(path)name='2000_2005_2010_2015_2019.csv'#name='sankey - 副本.csv'df=pd.read_csv(name)df['a1']=df['Value']//10000df['a2']=(df['Value']-df['a1']*10000)//1000df['a3']=(df['Value']-df['a1']*10000-df['a2']*1000)//100df['a4']=(df['Value']-df['a1']*10000-df['a2']*1000-df['a3']*100)//10df['a5']=df['Value']-df['a1']*10000-df['a2']*1000-df['a3']*100-df['a4']*10name2000=['Forest(2000)','Grassland(2000)','Shrubland(2000)','Cultivated Land(2000)','Artifical Surface(20000)', 'Water Body(2000)','Wetland(2000)','Snow and Ice(2000)','Bare Land(2000)']name2005=['Forest(2005)','Grassland(2005)','Shrubland(2005)','Cultivated Land(2005)','Artifical Surface(2005)', 'Water Body(2005)','Wetland(2005)','Snow and Ice(2005)','Bare Land(2005)']name2010=['Forest(2010)','Grassland(2010)','Shrubland(2010)','Cultivated Land(2010)','Artifical Surface(2010)', 'Water Body(2010)','Wetland(2010)','Snow and Ice(2010)','Bare Land(2010)']name2015=['Forest(2015)','Grassland(2015)','Shrubland(2015)','Cultivated Land(2015)','Artifical Surface(2015)', 'Water Body(2015)','Wetland(2015)','Snow and Ice(2015)','Bare Land(2015)']name2019=['Forest(2019)','Grassland(2019)','Shrubland(2019)','Cultivated Land(2019)','Artifical Surface(2019)', 'Water Body(2019)','Wetland(2019)','Snow and Ice(2019)','Bare Land(2019)']import numpy as npb1=np.array(df['a1'])b2=np.array(df['a2'])b3=np.array(df['a3'])b4=np.array(df['a4'])b5=np.array(df['a5'])def f(b,name): re=[] for i in range(len(b)): #print(b[i]) re.append(name[b[i]]) return re n1=f(b1,name2000)n2=f(b2,name2005)n3=f(b3,name2010)n4=f(b4,name2015)n5=f(b5,name2019)df['name1']=n1df['name2']=n2df['name3']=n3df['name4']=n4df['name5']=n5df.to_csv('re.csv')处理后的结果如下：
然后我们将Value,a1,a2,a3,a4,a5,列删除，当然也可以在用Pandas读取时，只读取这几行。笔者采取直接删除的方式，
下面我们将数据进行预处理，处理成Sankey绘图需要的格式，生成nodes 和linkes
from pyecharts import options as optsfrom pyecharts.charts import Sankeyimport pandas as pdimport ospath=r'D:studytmp'os.chdir(path)name='sankey.csv'name='re1.csv'#name='sankey - 副本.csv'df=pd.read_csv(name)nodes=[]for i in range(5): values=df.iloc[:,i].unique() for value in values: #print(value) dic={} dic['name']=value nodes.append(dic) print(nodes)f1=df.groupby(['name1','name2'])['Count'].sum().reset_index()f2=df.groupby(['name2','name3'])['Count'].sum().reset_index()f3=df.groupby(['name3','name4'])['Count'].sum().reset_index()f4=df.groupby(['name4','name5'])['Count'].sum().reset_index()f1.columns=['source','target','value']f2.columns=['source','target','value']f3.columns=['source','target','value']f4.columns=['source','target','value']result=pd.concat([f1,f2,f3,f4])linkes=[]for i in result.values: dic={} dic['source']=i[0] dic['target']=i[1] dic['value']=i[2] linkes.append(dic)print(linkes)nodes的结果如下：
linkes的结果如下：形式为source-target-value
最后绘制桑吉图
from pyecharts.charts import Sankeyfrom pyecharts import options as opts 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 = ''))) pic.render('2000_2005_2010_2015_2019.html')打开html文件，结果如下：