世衛(wèi)組織的錢從哪里來到哪里去

世界衛(wèi)生組織（WHO）是有影響力的全球性組織之一撩扒，本實驗獲取了 WHO 官網(wǎng)發(fā)布的 2018 - 2019 年財政預(yù)算數(shù)據(jù)波材，對其資金來源及使用情況做了分析桶蝎，研究及可視化了其資金構(gòu)成杠娱、資助項目及資金流向等問題。
輸入并執(zhí)行魔法命令 %matplotlib inline 与学。

%matplotlib inline
import matplotlib.pyplot as plt
import warnings

warnings.filterwarnings("ignore") # 屏蔽報警

數(shù)據(jù)準(zhǔn)備

本數(shù)據(jù)集來自 WHO彤悔，WHO 在其官網(wǎng)向全球公開透明其資金來源情況以及援助項目情況。本數(shù)據(jù)集統(tǒng)計了在 2018 - 2019 年間指定自愿捐款（Specified voluntary contributions）向 WHO 捐助的資金及 WHO 使用其資金的情況索守。
導(dǎo)入數(shù)據(jù)進(jìn)行初步處理并查看前 5 行晕窑。

import pandas as pd

df=pd.read_excel('https://labfile.oss.aliyuncs.com/courses/3023/World_health_organization_clearning.xlsx')

# 添加各地區(qū)代碼對應(yīng)的地區(qū)全稱
cont_code_name={
    'AF':'Africa',
    'EM':'Eastern Mediterranean',
    'HQ':'Headquarters',
    'SE':'South East Asia',
    'EU':'Europe',
    'WP':'Western Pacific',
    'AM':'Americas',    
}

df['cont_name']=df['cont'].apply(lambda x:cont_code_name[x])

df.head()

從運行結(jié)果可知，數(shù)據(jù)集由 5 個字段構(gòu)成卵佛，各字段解釋見下表：

image.png

世衛(wèi)組織的資金構(gòu)成

根據(jù) WHO 官方網(wǎng)站公開披露的 2018 - 2019 兩年預(yù)算顯示杨赤，WHO 的資金來源主要分為會費分?jǐn)偅ˋssessed contributions）與接受捐贈兩種形式，接受捐贈又分為指定自愿捐款（Specified voluntary contributions）截汪，核心自愿捐助（Core voluntary contributions）疾牲，PIP 捐款（PIP Contributions）。
運行以下代碼衙解，可視化 WHO 的資金來源結(jié)構(gòu)阳柔。

plt.rcParams['figure.figsize'] = (10, 6)

funding_structure = {
    'Assessed contributions': 956900000,
    'Specified voluntary contributions': 4328057662,
    'Core voluntary contributions': 160592410.5,
    'PIP Contributions': 178053223,
}

plt.pie(
    x=funding_structure.values(),
    labels=funding_structure.keys(),  # 標(biāo)簽值
    explode=[0.1, 0, 0, 0],  # 餅圖中每一塊相對中心的偏移
    textprops={'size': 20},  # 餅圖中文本格式的設(shè)置
    autopct='%.2f%%'  # 文本字符顯示格式
)

plt.title('The Contributor Funding Structure of World Health Organization', size=22)

從運行結(jié)果可知，WHO 成員國會費占其總預(yù)算比例相對較低蚓峦，只有 17%舌剂，剩余部分全部來源于自愿捐款，而本實驗數(shù)據(jù)集涉及的指定自愿捐款（Specified voluntary contributions）占到所有捐款的比例最高暑椰，為總預(yù)算的 76.96% 霍转。

資助組織及被資助項目結(jié)構(gòu)

按資金流向分組聚合，并將聚合結(jié)果歸一化后拼接一汽。

import numpy as np
# 篩選出流入 WHO 的資金避消，按資助組織進(jìn)行資助金額的求和并逆序排序
funding_from = df.loc[df['direction'] == 'from'].groupby(
    ['orgs'])['money'].sum().sort_values(ascending=False)
# 將資金歸一化處理
funding_from = funding_from/np.sum(funding_from)

# 同樣的方式處理被資助項目
funding_to = df.loc[df['direction'] == 'to'].groupby(
    ['orgs'])['money'].sum().sort_values(ascending=False)
funding_to = funding_to/np.sum(funding_to)

# 將兩個Series對象按列拼接
funding_from_to = pd.concat([funding_from, funding_to])
# 展示處理后的數(shù)據(jù)
funding_from_to

資助組織及被資助項目金額經(jīng)過歸一化后，其求和值均為 1 角虫，因此將其可視化到餅圖時沾谓，每一部分的占比會被壓縮到一半（因為餅圖的總百分比是 100%委造，但是兩部分求和結(jié)果是 200%）戳鹅。例如，美國（United States of America）在所有資助組織中資助的金額占比為 15.17%昏兆，但經(jīng)拼接后在 funding_from_to 數(shù)據(jù)并可視化到餅圖后枫虏，其占比將縮小至 7.585%，因此為了顯示 15.17% 數(shù)據(jù)，需要在 plt.pie 接口參數(shù) autopct 傳入格式化函數(shù) autopct_fun隶债，該函數(shù)將顯示的百分比數(shù)據(jù)擴(kuò)大為原值的 2 倍腾它。

plt.rcParams['figure.figsize'] = (15, 15)


def autopct_fun(x):
    return '%.2f%%' % (2*x)


plt.pie(x=funding_from_to,
        labels=funding_from_to.index,
        textprops={'size': 17},
        autopct=autopct_fun)

plt.title(
    'Where Does the World Health Organization Contributor Funding From and Go ?', size=28)

上面的圖中因為類別太多，導(dǎo)致 label 都擠在一起看不清死讹。下面我們對上面的圖像進(jìn)行簡化瞒滴。 具體的 index 的編號可以通過 np.where 來找到。

plt.rcParams['figure.figsize'] = (14, 7)


def autopct_fun(x):
    if 2*x < 8:
        return None
    else:
        return '%.2f%%' % (2*x)


plt.pie(x=funding_from_to.values,
        labels=list(funding_from_to.index[0:4]) + ['' for i in funding_from_to.index[4:301]] + list(
            funding_from_to.index[301:304]) + ['' for i in funding_from_to.index[304:]],
        textprops={'size': 13},
        autopct=autopct_fun)

plt.title(
    'Where Does the World Health Organization Contributor Funding From and Go ?', size=17)

從輸出結(jié)果可以看出：
WHO 最大的捐助國為美國（ United States of America ）赞警，占比 15.18%妓忍，其次是蓋茨基金會（ Bill & Melinda Gates Foundation ），占比 12.12%愧旦，排名第三的是全球疫苗和免疫聯(lián)盟（ GAVI Alliance ）世剖，占比 8.19%；
WHO 最大的投資項目為根除脊髓灰質(zhì)炎（ Polio eradication ）笤虫，占比 26.55%旁瘫，其次是提升獲得基本保健和營養(yǎng)服務(wù)（ Increase access to essential healthand nutrition services ），占比 12.05%琼蚯，排名第三的是可預(yù)防疾病疫苗（ Vaccine-Preventable Diseases ）酬凳，占比 8.96%。

不同地區(qū)的資助項目

本實驗的目的是繪制兩個半圓形餅圖遭庶，內(nèi)半圓表示各個被資助地區(qū)的百分占比粱年，外半圓表示各個地區(qū)對應(yīng)項目的百分占比，且須做到內(nèi)半圓地區(qū)塊與外半圓項目塊顏色的主色調(diào)完全對應(yīng)罚拟。由于本例相對復(fù)雜台诗，因此分步驟進(jìn)行繪圖解釋：
生成內(nèi)半圓數(shù)據(jù)集
選擇資金流向為 to 的數(shù)據(jù)，以地區(qū)進(jìn)行資金聚合赐俗、逆序排序并歸一化，查看前 5 行數(shù)據(jù)阻逮。

funding_cont_to = df.loc[df['direction'] == 'to'].groupby(
    ['cont'])['money'].sum().sort_values(ascending=False)
funding_cont_to = funding_cont_to/np.sum(funding_cont_to)
funding_cont_to.head()

內(nèi)半圓的顏色變化序列
Matplolib 默認(rèn)顏色序列為 TABLEAU_COLORS叔扼，可通過 cs.to_rgba 將其轉(zhuǎn)變?yōu)?rgba 顏色元組（plt.pie 接口需要的顏色參數(shù)類型為 rgba 或者 rgb 格式）事哭，內(nèi)半圓仍然采用默認(rèn)序列的顏色。

import matplotlib.colors as cs
start_colors=[cs.to_rgba(value) for value in cs.TABLEAU_COLORS.values()]
start_colors

外半圓的顏色變化序列
外圈的項目顏色塊由其對應(yīng)的內(nèi)圈的主題顏色確定瓜富，例如對于非洲 AF 地區(qū)的項目与柑，如果 AF 的色塊顏色為藍(lán)色谤辜，則非洲區(qū)所有項目顏色均為藍(lán)色蓄坏，但為了將項目進(jìn)行有效區(qū)分，需要將各項目顏色進(jìn)行漸變色設(shè)置涡戳，其原理是進(jìn)行主題色到白色的線性插值脯倚。

colors = []

for i, c in enumerate(funding_cont_to.index):
    # WHO向每個大區(qū)投入的項目，按降序排序
    funding_projection = df.loc[(df['direction'] == 'to') & (df['cont'] == c), [
        'orgs', 'money']].sort_values('money', ascending=False)

    # 獲取每個地區(qū)總項目數(shù)
    color_nums = len(funding_projection)
    # 每個地區(qū)對應(yīng)項目的主題顏色
    r, g, b, a = start_colors[i]
    # 根據(jù)主題顏色線性地生成由該主題顏色到白色的序列漸變色
    for r_new, g_new, b_new in zip(np.linspace(r, 1, color_nums), np.linspace(g, 1, color_nums), np.linspace(b, 1, color_nums)):
        colors.append((r_new, g_new, b_new, 1.0))
colors[:5]

外半圓的標(biāo)簽設(shè)置
由于外半圓項目數(shù)量較大胳岂，因此每個地區(qū)只顯示排名前 1 的項目舔稀，其余項目不作顯示。

labels = []

for i, c in enumerate(funding_cont_to.index):

    funding_projection = df.loc[(df['direction'] == 'to') & (df['cont'] == c), [
        'orgs', 'money']].sort_values('money', ascending=False)

    show_top = 1
    label = np.append(funding_projection['orgs'][:show_top],
                      ['']*(len(funding_projection)-show_top))
    labels = np.append(labels, label)

labels[:5]

生成外半圓數(shù)據(jù)集

funding_proj_to = pd.DataFrame()

for i, c in enumerate(funding_cont_to.index):

    funding_projection = df.loc[(df['direction'] == 'to') & (df['cont'] == c), [
        'orgs', 'money']].sort_values('money', ascending=False)

    # 合并所有地區(qū)的數(shù)據(jù)
    funding_proj_to = pd.concat([funding_proj_to, funding_projection])

funding_proj_to.set_index(['orgs'], inplace=True)
funding_proj_to = funding_proj_to/np.sum(funding_proj_to)
funding_proj_to.head()

繪圖
半圓圖的繪制原理：當(dāng)傳入 plt.pie 接口參數(shù) x 的求和值小于 1 時产园，差額部分將形成餅圖的缺口什燕，因此將歸一化的 x 數(shù)據(jù)乘以 0.5 即可獲得半圓竞端，同理，此時的百分占比被壓縮成原比例的一半技俐，需要通過 autopct_fun 函數(shù)將其顯示比例數(shù)據(jù)作修正统台。

plt.rcParams['figure.figsize'] = (15, 15)


def autopct_fun(x):
    return '%.2f%%' % (2*x)


# 外圈繪制項目
plt.pie(x=0.5*funding_proj_to,  # 當(dāng)x求和小于1時贱勃，餅狀圖則按比例顯示，剩余部分為白色贵扰，此處將數(shù)據(jù)乘以 0.5戚绕，繪制結(jié)果為半圓
        labels=labels,
        radius=1,  # 餅圖半徑
        wedgeprops={'width': 0.4},  # 餅的徑向?qū)挾?        colors=colors,  # 每個色塊的顏色，此處顏色的格式是 rgba 元組
        textprops={'size': 17},
        autopct='')
# 內(nèi)圈繪制地區(qū)
plt.pie(x=0.5*funding_cont_to,
        labels=funding_cont_to.index,
        radius=0.45,
        pctdistance=0.8,  # 餅狀圖中表示 比例數(shù)據(jù)的文本 相對中心的位置
        wedgeprops={'width': 0.3},
        colors=cs.TABLEAU_COLORS,
        textprops={'size': 17},
        autopct=autopct_fun)

plt.ylim(0.5, 1.2)
plt.title('The Funded Zones and The Top 1 Important Funded Programs', size=30)

從輸出結(jié)果可以看出恰画，已實現(xiàn)了地區(qū)與地區(qū)項目的顏色對應(yīng)，且地區(qū)項目由主題色到白色進(jìn)行漸變顯示瓷马。下表列出了每個地區(qū)排名前 2 的被資助項目：

image.png

非洲被資助項目的相對比例

非洲毫無疑問是 WHO 項目重點投資地區(qū)，以該地區(qū)最大的投資項目為對比對象片林，研究其他項目相對其所占比例怀骤。通過數(shù)據(jù)聚合并逆序排序的方式，獲取最大項目的值弓摘，以該值為分母進(jìn)行數(shù)據(jù)的歸一化痕届，此處為美觀考慮研叫，將最大項目的弧度設(shè)置為半圓。

funding_to = df.loc[(df['direction'] == 'to') & (df['cont'] == 'AF')].groupby(
    ['orgs'])['money'].sum().sort_values(ascending=False)
funding_to = funding_to/np.sum(funding_to)

first_large = funding_to[0]

# 計算各項目相對最大投資項目的百分比渊啰，最大投資項目比例設(shè)定為 0.5申屹，目的是為了繪制半圓
funding_to_related = funding_to/first_large*0.5
funding_to_related.head(10).index[:10]

通過調(diào)節(jié)接口中圓圈的半徑 radius 及寬度 wedgeprops 兩個參數(shù)哗讥，將非洲地區(qū)被投資項目逐環(huán)式地向內(nèi)繪制，最外徑為投資額最大的項目车酣，依次向內(nèi)索绪，項目投資額逐漸遞減。

width = 0.03

fig, ax = plt.subplots(1, 1, figsize=(15, 15))

for i, projection_percent in enumerate(funding_to_related):
    ax.pie(x=projection_percent,
           startangle=90,
           radius=1.0-i*width,
           labels=['a'], # 輸入圖例文本占位符
           autopct='',
           textprops={'size': 0},
           wedgeprops={'width': width}
           )
# 修改圖例為各個項目的項目名稱
h, l = ax.get_legend_handles_labels()
plt.legend(handles=h,
           labels=list(funding_to_related.index),
           ncol=2,
           bbox_to_anchor=(0.55, 0.85),
           loc='upper left',
           frameon=False,
           fontsize=20)
plt.title('Funded Programs of Africa Weights Related to Polio Eradication',
          fontsize=30,
          ha='left')

運行結(jié)果可以看到各個項目相對最大項目的比例娘摔，可以看出各項目相對根除骨髓灰質(zhì)炎項目的相對比例大小凳寺，整理后，相對比例如下表所示：

image.png

資助項目的資金規(guī)模分布

根據(jù)被投資項目的項目金額逆趋，將項目分成小于 1 千萬闻书，1 千萬- 1 億脑慧，大于 1 億三個等級（單位：美金）。

funding_programs = df.loc[df['direction'] == 'to'].copy()

# 1M=100萬=1e6

bins = [funding_programs['money'].min(), 1e7, 1e8,
        funding_programs['money'].max()]
funding_programs['program_structure'] = pd.cut(funding_programs['money'],
                                               bins=bins,
                                               labels=[
                                                   '<10M', '10M-100M', '>100M']
                                               )
funding_programs['money'] = funding_programs['money'] / \
    np.sum(funding_programs['money'])
funding_programs.head()

按投資項目金額及所在地區(qū)坑律，研究各地區(qū)項目資金結(jié)構(gòu)脾歇。

# 設(shè)定隨機(jī)數(shù)種子
np.random.seed(121)
row_names = ['<10M', '10M-100M', '>100M']
col_names = ['AF', 'EM', 'HQ', 'EU', 'SE', 'WP', 'AM']

fig, axs = plt.subplots(
    nrows=len(row_names),
    ncols=len(col_names),
    figsize=(len(row_names)*7, len(col_names)*1))

for i, s in enumerate(row_names):
    for j, c in enumerate(col_names):
        ax = axs[i, j]

        x = funding_programs.loc[(funding_programs['cont'] == c) & (
            funding_programs['program_structure'] == s)]['money'].sum()

        # 繪制淺色背景
        ax.pie([1], radius=0.8, colors=[(0.97, 0.97, 0.97)])

        # 繪制深色主體
        ax.pie(x=[x],
               startangle=90,
               radius=1.0,
               labels=['%.2f%%' % round(x*100, 2)],
               autopct='%.2f%%',
               colors=np.random.random(size=(1, 3)),  # 隨機(jī)生成一個顏色元組（rgb元組）
               textprops={'size': 0},
               )
        ax.legend(frameon=False, fontsize=15)
        ax.set_title(label='%s : %s' % (c, s), size=15)

fig.suptitle('The Funded Programs Budget Structure of Different Zones', size=20)

從輸出結(jié)果可以看出：
超大金額（大于 1 億）的投資項目集中在 Africa藕各，Eastern Mediterranean 兩個地區(qū)焦除，Europe 等 4 個地區(qū)沒有該規(guī)模項目；
中等規(guī)模項目集中在 Headquarters 地區(qū)乌逐。

被資助項目的資金規(guī)模分布-樹形地圖

!pip install pyecharts==1.7.1

另一種可視化結(jié)構(gòu)的繪圖對象為 pyecharts 包提供的 TreeMap 類创葡，與傳統(tǒng)的餅圖不同灿渴，TreeMap 用一個個的方格表示各元素相對整體的比例。

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

funding_to = df.loc[df['direction'] == 'to'].groupby(
    ['orgs'])['money'].sum().sort_values(ascending=False)
funding_to = funding_to/np.sum(funding_to)

# 生成 TreeMap 數(shù)據(jù)蹬挤，該數(shù)據(jù)為 json 格式
funding_to_treemap = [{'value': value, 'name': name}
                      for name, value in zip(funding_to.index, funding_to)]


tree = TreeMap()
tree.add("Funded Budget",
         funding_to_treemap,
         label_opts=opts.LabelOpts(position="inside", font_size=12),
         drilldown_icon=" ",
         leaf_depth=1)
tree.set_global_opts(
    title_opts=opts.TitleOpts(
        title="The Funded Programs Budget Structure",),
    legend_opts=opts.LegendOpts(
        pos_top='5%', textstyle_opts=opts.TextStyleOpts(font_size=15))
)
tree.render_notebook()

從輸出結(jié)果可以看出前 5 類投資項目將近占到了總項目投資額的 60% 以上焰扳。

帶鉆取結(jié)構(gòu)的樹形圖

TreeMap 類還提供了數(shù)據(jù)鉆取功能，原理是傳入的數(shù)據(jù)文件增加一個 children 字典項扫茅，children 的值為需要被鉆取的 TreeMap 數(shù)據(jù)育瓜，以下代碼生成了帶鉆取功能的數(shù)據(jù)。
數(shù)據(jù)準(zhǔn)備

funding_to = df.loc[df['direction'] == 'to'].groupby(
    ['cont_name', 'orgs'], as_index=False)['money'].sum()

funding_to['money'] = funding_to['money']/np.sum(funding_to['money'])

funding_to_treemap = [
    {'value': funding_to.loc[funding_to['cont_name'] == name]['money'].sum(),
     'name': name,
     'children':[
        {
            'value': funding_to.loc[(funding_to['cont_name'] == name) & (funding_to['orgs'] == org)]['money'].sum(),
            'name': org,
        }
        for org in list(set(funding_to.loc[funding_to['cont_name'] == name, 'orgs']))
    ]
    }
    for name in list(set(funding_to['cont_name']))
]

繪圖

tree = TreeMap()
tree.add("Funded Budget",
         funding_to_treemap,
         label_opts=opts.LabelOpts(position="inside", font_size=20),
         drilldown_icon=" ",
         leaf_depth=1  # 初始化圖形時愕鼓，顯示第一層（即最高級）
         )
tree.set_global_opts(
    title_opts=opts.TitleOpts(
        title="The Funded Programs Budget Structure of Different Zones",),
    legend_opts=opts.LegendOpts(
        pos_top='5%', textstyle_opts=opts.TextStyleOpts(font_size=15))
)
tree.render_notebook()

運行以上代碼，輸出的是地區(qū)級的結(jié)構(gòu)圖册倒，當(dāng)鼠標(biāo)點擊其中一塊區(qū)域時磺送，樹形圖向下鉆取該區(qū)域子項目的結(jié)構(gòu)圖，可通過圖最下面的層級按鈕可以回到上一級崇呵。

被資助項目的資金規(guī)模分布-太陽花圖

同樣的數(shù)據(jù)結(jié)構(gòu)傳入 Sunburst 類域慷，可以獲得帶有鉆取功能的太陽花圖汗销，太陽花圖帶有兩個餅圖，內(nèi)部餅圖代表父級的結(jié)構(gòu)組成叠骑，點擊任一顏色塊削茁，數(shù)據(jù)向下鉆取到該層級下子項的餅圖茧跋。

from pyecharts.charts import Sunburst

funding_to = df.loc[df['direction'] == 'to'].groupby(
    ['cont_name', 'orgs'], as_index=False)['money'].sum()

funding_to['money'] = funding_to['money']/np.sum(funding_to['money'])

# 數(shù)據(jù)結(jié)構(gòu)與樹形圖完全一致
funding_to_treemap = [
    {'value': funding_to.loc[funding_to['cont_name'] == name]['money'].sum(),
     'name': name,
     'children':[
        {
            'value': funding_to.loc[(funding_to['cont_name'] == name) & (funding_to['orgs'] == org)]['money'].sum(),
            'name': org,
        }
        for org in list(set(funding_to.loc[funding_to['cont_name'] == name, 'orgs']))
    ]
    }
    for name in list(set(funding_to['cont_name']))
]

sun = Sunburst()
sun.add(
    "",
    data_pair=funding_to_treemap,
    highlight_policy="ancestor",
    radius=[0, "95%"],
    sort_="null",
    label_opts=opts.LabelOpts(is_show=False, position='inside', font_size=5),
    levels=[
        {  # 外圈設(shè)置
            "r0": "65%",  # 內(nèi)圈半徑
            "r": "95%",  # 外圈半徑
            "itemStyle": {"borderWidth": 2},
            "label": {"rotate": "tangential"},
        },
        {  # 內(nèi)圈設(shè)置
            "r0": "25%",
            "r": "45%",
        },
    ],
)
sun.set_global_opts(title_opts=opts.TitleOpts(title="The Funded Programs Budget Structure of Different Zones"))
sun.set_series_opts(label_opts=opts.LabelOpts(formatter="厌衔"))
sun.render_notebook()

世衛(wèi)組織的資金流向

餅狀圖是表達(dá)組成關(guān)系或者總分關(guān)系的最佳繪圖對象，樹形圖和太陽花圖在餅圖的基礎(chǔ)上睬隶，增加了交互式地鉆取功能，實現(xiàn)了不同層級結(jié)構(gòu)的總分表達(dá)银萍。在之前的實驗中恤左，我們借助這幾類對象研究了世衛(wèi)組織的資金來源飞袋、資助項目，以下我們進(jìn)一步研究其資金的流向巧鸭。
描述流向的繪圖對象主要是 筛偃裕基圖，梢拐裕基圖早期的應(yīng)用主要是能量分布乡革，后期在金融領(lǐng)域大放異彩署拟，再后來被廣泛應(yīng)用到經(jīng)管領(lǐng)域。尚陌基圖將帶有流向特征的節(jié)點通過一定寬度的線連接起來馒铃，線的疏密代表任意兩節(jié)點的能量強(qiáng)弱。赏拗常基圖繪圖的主要難點在于數(shù)據(jù)準(zhǔn)備工作议谷，以下分布展示其過程：
將資金量小于閾值的組織或者項目設(shè)置為其他類別
為減少桑基圖可視化的節(jié)點數(shù)量芬首，避免圖片過大反而帶來閱讀困難郁稍，將所有資助組織和被資助項目金額小于 1000 萬的均設(shè)置成其他資助者（other contributions）或其他項目（other programs）。

data = df.copy()

limit_money = 1e7   

data['orgs_adjust'] = data['orgs']

data.loc[(data['direction'] == 'from') &
         (data['money'] <= limit_money), 'orgs_adjust'] = 'other contributions'
data.loc[(data['direction'] == 'to') &
         (data['money'] <= limit_money), 'orgs_adjust'] = 'other programs'

data.head()

數(shù)據(jù)構(gòu)建
苫肿牛基圖接口主要傳入兩個數(shù)據(jù)财破，一個為 nodes狈究，一個為 links盏求。nodes 表示需要可視化的節(jié)點碎罚，此處 nodes 由各個組織名稱和各個地區(qū)名稱構(gòu)成，對其進(jìn)行去重和拼接拯勉；links 為一個列表憔购，列表中每個元素為一個字典，由 source导绷，target屎飘，value 三個鍵構(gòu)成钦购，分別代表起始節(jié)點、結(jié)束節(jié)點和連接兩節(jié)點的能量值葵萎，source 和 target 須包含在 nodes 節(jié)點列表中。節(jié)點連接一共分成兩個部分锡足，出資國家與被資助地區(qū)為資金流入關(guān)系壳坪，被資助地區(qū)與被資助項目為資金流出關(guān)系爽蝴，因此在生成節(jié)點連接數(shù)據(jù)集時需要考慮 source 和 target 的方向，以下代碼生成了用于删藕ⅲ基圖接口的數(shù)據(jù)发框。

sankey_value='money'

# 去重后拼接
node_lists = np.append(np.unique(data['orgs_adjust']),(np.unique(data['cont'])))
nodes = [
    {
        'name': node
    }
    for node in node_lists
]
links = [
    {
        "source": s,
        "target": t,
        "value": v
    }
    for s, t, v in zip(data.loc[data['direction'] == 'from', 'orgs_adjust'],
                       data.loc[data['direction'] == 'from', 'cont'],
                       data.loc[data['direction'] == 'from', sankey_value],
                       )
]+[
    {
        "source": s,
        "target": t,
        "value": v
    }
    for t, s, v in zip(data.loc[data['direction'] == 'to', 'orgs_adjust'],
                       data.loc[data['direction'] == 'to', 'cont'],
                       data.loc[data['direction'] == 'to', sankey_value],
                       )
]

擅饭撸基圖的繪制
桑基圖的接口調(diào)用方式和大多數(shù) pyecharts 接口類似她君。運行以下代碼葫哗，可生成世衛(wèi)組織 2018 -2019 年指定自愿捐款的資金流向圖劣针，該圖細(xì)致地展示了每一筆資金的使用，在 WHO 官網(wǎng)上鸟廓，也有一張類似的圖辣苏，該圖生動地公開了 WHO 經(jīng)費使用情況稀蟋，便于讀者了解 WHO 的資金預(yù)算流向情況。

from pyecharts.charts import Sankey

init_opts=opts.InitOpts(width='1000px',height='1000px')
sankey = Sankey(init_opts=init_opts)  # 初始化圖片的寬度和高度
sankey.add(
    series_name="",
    nodes=nodes,
    links=links,
    node_gap=7, # 節(jié)點間距
    label_opts=opts.LabelOpts(position='right',font_size=15), # 設(shè)置節(jié)點文本
    itemstyle_opts=opts.ItemStyleOpts(border_width=2), # 設(shè)置節(jié)點寬度
    linestyle_opt=opts.LineStyleOpts(color="source", width=2,curve=0.5, opacity=0.5), # 設(shè)置線型
    tooltip_opts=opts.TooltipOpts(trigger_on="click") # 設(shè)置交互方式
)
sankey.set_global_opts(
    title_opts=opts.TitleOpts(title="The Funding Budget Flows of Specified Voluntary Contributions of WHO in Year 2018 - 2019"),    
)
sankey.render_notebook()