Tableau之桑基图进阶版

自己乱填的数据做出来较乱,且有部分内容暂时理不清,所以分析一下原作者绘制的桑基图,附上原作链接https://www.jianshu.com/p/73d53eff9e6e

准备阶段

涉及的基本函数:


ATTR(expression)

如果它的所有行都有一个值,则返回该表达式的值。否则返回星号。会忽略 Null 值。

SUM(expression)

返回表达式中所有值的总计。SUM 只能用于数字字段。会忽略 Null 值。

RUNNING_SUM(expression)

返回给定表达式从分区中第一行到当前行的运行总计。

TOTAL(expression)

返回表计算分区内表达式的总计。


以及表计算中的寻址与分区:


TuSwap - Tableau 表计算 | 寻址方式的区别(分享自知乎网)https://zhuanlan.zhihu.com/p/24915109?utm_source=qq&utm_medium=social

寻址(定向)  分区(划定范围)

寻址用于确定计算移动的方向

分区字段会将视图拆分成多个子视图(或子表),然后将表计算应用于每个此类分区内的标记。

在表计算的特定维度中,√为寻址,口为分区,表示沿着【寻址】对于每个【分区】

分析及绘制阶段

在桑基图的制作中,涉及两部分数据,一是原始基本数据,增加一列LINK ;二是辅助列表,1.t值的范围[-6,6],步长0.25,总计49行,2.path列,[0-98]步长为1; 3.Min or Max,[min,max]用于与原始主数据关联


下图为还原图涉及的维度与度量数据,原图主要展示了某一年的母亲年龄所对应的婴儿出生体重的流向,主要涉及维度为Group Step-1  Group Step-2,涉及度量为母亲年龄对应的不同年代的出生数

计算字段罗列:

Size A:    sum([出生数])/total(SUM([出生数]))


Position1 :

Max Position 1      RUNNING_SUM([SizeA])

Min Position 1      RUNNING_SUM([SizeA])-[Size A]

Position2:

            Max Position 2      RUNNING_SUM([SizeA])

          Min Position 2      RUNNING_SUM([SizeA])-[Size A]

Sigmoid:  1/(1+EXP(1)^-[t])


Curve Max:[MaxPosition 1]+(([Max Position 2]-[Max Position 1])*ATTR([Sigmoid]))

Curve Min:[MinPosition 1]+(([Min Position 2]-[Min Position 1])*ATTR([Sigmoid]))


Polygon Curves A:

CASE ATTR([Min or Max])

WHEN 'Min' THEN [Curve Min]

WHEN 'Max' THEN [Curve Max]

END


对于size A的表计算,group step-1

group step-2为寻址,min or max 与t 为分区

(在min or max 与t 详细数据点交叉构成的区域中针对group step-1 group step-2所对应的出生数进行计算),

total(SUM([出生数]))类似于数据为6与max, 6 min, 5.75 max ,5.75 min…的子区块数据总计,

(例如母亲年龄<25岁的婴儿出生体重在2500-2999在6与max的范围中的出生数) 

分区与寻址逻辑理解中

如此sizeA便可将相关数据线划为整体且可作为位置确定的基础数据


因size A为总计数据且为使对应数据范围有相应的厚度,所以在位置确定中分为MAX position以及MIN position,以确定厚度的最上点与最下点

所以标记选多边形

还原过程中未得到曲线而是直线,不知是哪步的问题= =

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 205,132评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,802评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,566评论 0 338
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,858评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,867评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,695评论 1 282
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,064评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,705评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 42,915评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,677评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,796评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,432评论 4 322
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,041评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,992评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,223评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,185评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,535评论 2 343

推荐阅读更多精彩内容