使用R中的NetworkD3包创建Sankey图

Question

目前,我正在尝试networkD3按照Chris Grandrud(https://christophergandrud.github.io/networkD3/)的说明创建一个包含交互式的Sankey .
我不明白的是表格式,因为他只使用两列来可视化更多的过渡.更具体地说,我有一个包含四列代表4年的数据集.这些列中有不同的酒店名称,而每行代表一个客户,这四年内被"跟踪".

    URL <- paste0(
        "https://cdn.rawgit.com/christophergandrud/networkD3/",
        "master/JSONdata/energy.json")
    Energy <- jsonlite::fromJSON(URL)

    sankeyNetwork(Links = Energy$links, Nodes = Energy$nodes, Source = "source",
         Target = "target", Value = "value", NodeID = "name",
         units = "TWh", fontSize = 12, nodeWidth = 30)

为了向您概述我的数据,请点击此处截图:

我会给你更多"编码"信息,但由于我对RI这个话题很新,希望你能在这个问题上跟随我的思路.如果没有,请不要犹豫不决.

谢谢 :)

Answer 1

您需要两个数据框:一个列出所有节点(包含名称),另一个列出链接.后者包含三列,源节点,目标节点和一些值,表示链接的强度或宽度.在链接数据框中,您通过节点数据帧中的(从零开始)位置来引用节点.

假设您的数据如下:

df <- data.frame(Year1=sample(paste0("Hotel", 1:4), 1000, replace = TRUE),
                 Year2=sample(paste0("Hotel", 1:4), 1000, replace = TRUE),
                 Year3=sample(paste0("Hotel", 1:4), 1000, replace = TRUE),
                 Year4=sample(paste0("Hotel", 1:4), 1000, replace = TRUE),
                 stringsAsFactors = FALSE)

对于图表,您不仅需要区分酒店,还要区分酒店/年份组合,因为每个酒店都应该是一个节点:

df$Year1 <- paste0("Year1_", df$Year1)
df$Year2 <- paste0("Year2_", df$Year2)
df$Year3 <- paste0("Year3_", df$Year3)
df$Year4 <- paste0("Year4_", df$Year4)

链接是酒店之间从一年到下一年的"过渡":

library(dplyr)
trans1_2 <- df %>% group_by(Year1, Year2) %>% summarise(sum=n())
trans2_3 <- df %>% group_by(Year2, Year3) %>% summarise(sum=n())
trans3_4 <- df %>% group_by(Year3, Year4) %>% summarise(sum=n())

colnames(trans1_2)[1:2] <- colnames(trans2_3)[1:2] <- colnames(trans3_4)[1:2] <- c("source","target")

links <- rbind(as.data.frame(trans1_2), 
               as.data.frame(trans2_3), 
               as.data.frame(trans3_4))

最后,数据帧需要相互引用:

nodes <- data.frame(name=unique(c(links$source, links$target)))
links$source <- match(links$source, nodes$name) - 1
links$target <- match(links$target, nodes$name) - 1

然后可以绘制图表:

library(networkD3)
sankeyNetwork(Links = links, Nodes = nodes, Source = "source",
              Target = "target", Value = "sum", NodeID = "name",
              fontSize = 12, nodeWidth = 30)

可能有更优雅的解决方案,但这可能是您问题的起点.如果您不喜欢节点名称中的"Year ...",请在设置数据帧后删除它们.

Answer 2

这个问题经常出现......如何转换在多列的每一行上定义了多个链接/边的数据集。这是我如何将其转换为sankeyNetwork（以及许多其他处理边/链接/网络数据的包）使用的数据集类型......每行一个边/链接的数据集。

从示例数据集开始...

df <- read.csv(header = TRUE, as.is = TRUE, text = '
name,year1,year2,year3,year4
Bob,Hilton,Sheraton,Westin,Hyatt
John,Four Seasons,Ritz-Carlton,Westin,Sheraton
Tom,Ritz-Carlton,Westin,Sheraton,Hyatt
Mary,Westin,Sheraton,Four Seasons,Ritz-Carlton
Sue,Hyatt,Ritz-Carlton,Hilton,Sheraton
Barb,Hilton,Sheraton,Ritz-Carlton,Four Seasons
')

#   name        year1        year2        year3        year4
# 1  Bob       Hilton     Sheraton       Westin        Hyatt
# 2 John Four Seasons Ritz-Carlton       Westin     Sheraton
# 3  Tom Ritz-Carlton       Westin     Sheraton        Hyatt
# 4 Mary       Westin     Sheraton Four Seasons Ritz-Carlton
# 5  Sue        Hyatt Ritz-Carlton       Hilton     Sheraton
# 6 Barb       Hilton     Sheraton Ritz-Carlton Four Seasons

1. 创建一个行号，以便您在将数据转换为长格式时仍然能够确定每个单独的链接来自哪个行/观察
2. usetidyr的gather()函数将数据集转换为长格式
3. 将列名变量转换为原始数据集中列的索引/编号
4. 按行分组（原始数据集中的每个观察值），按每个节点所在的列对其进行排序，并通过将其设置为后面列中的节点来为其“目标”创建一个变量
5. 过滤掉任何具有NA“目标”的行（原始数据集最后一列中的节点将没有“目标”，因此这些行不指定链接）

library(dplyr)
library(tidyr)

links <-
  df %>%
  mutate(row = row_number()) %>%
  gather('column', 'source', -row) %>%
  mutate(column = match(column, names(df))) %>%
  group_by(row) %>%
  arrange(column) %>%
  mutate(target = lead(source)) %>%
  ungroup() %>%
  filter(!is.na(target))

# # A tibble: 24 x 4
#      row column source       target
#    <int>  <int> <chr>        <chr>
#  1     1      1 Bob          Hilton
#  2     2      1 John         Four Seasons
#  3     3      1 Tom          Ritz-Carlton
#  4     4      1 Mary         Westin
#  5     5      1 Sue          Hyatt
#  6     6      1 Barb         Hilton
#  7     1      2 Hilton       Sheraton
#  8     2      2 Four Seasons Ritz-Carlton
#  9     3      2 Ritz-Carlton Westin
# 10     4      2 Westin       Sheraton
# # ... with 14 more rows

现在数据已经是由“源”和“目标”列定义的每行一个链接的典型网络数据格式，并且可以与sankeyNetwork(). 但是，您可能希望引用同一事物的节点在您的情节中多次出现……如果有人在第 1 年访问了希尔顿，然后在第 3 年再次访问了希尔顿，您可能需要 2 个独立的节点，均命名为希尔顿，但出现在情节的不同部分。为了做到这一点，您必须在“源”和“目标”列中标识每个节点以及它们被访问的年份。这就是保持“行”和“列”变量会派上用场的地方。

将列索引附加到“源”名称，并将列索引 + 1 附加到“目标”名称，现在您将能够区分，例如，在第 1 年访问的 Hilton 节点和在第 3 年访问过的 Hilton 节点

links <-
  links %>%
  mutate(source = paste0(source, '_', column)) %>%
  mutate(target = paste0(target, '_', column + 1)) %>%
  select(source, target)

# # A tibble: 24 x 2
#    source         target
#    <chr>          <chr>
#  1 Bob_1          Hilton_2
#  2 John_1         Four Seasons_2
#  3 Tom_1          Ritz-Carlton_2
#  4 Mary_1         Westin_2
#  5 Sue_1          Hyatt_2
#  6 Barb_1         Hilton_2
#  7 Hilton_2       Sheraton_3
#  8 Four Seasons_2 Ritz-Carlton_3
#  9 Ritz-Carlton_2 Westin_3
# 10 Westin_2       Sheraton_3
# # ... with 14 more rows

现在，您可以按照相当标准的过程使用源-目标链接列表来构建sankeyNetwork(). nodes使用在“源”和“目标”向量中找到的所有唯一节点创建一个数据框。将links数据框中的“源”和“目标”向量转换为数据框中节点的基于 0 的索引nodes。为links数据框中的每个链接添加一个任意值，因为sankeyNetwork(). 现在您可以从nodes数据框中的节点名称中删除附加的列索引，因为它们将仅用于标记结果图中的节点（因此它们是否唯一不再重要）。然后用sankeyNetwork()!

nodes <- data.frame(name = unique(c(links$source, links$target)))

links$source <- match(links$source, nodes$name) - 1
links$target <- match(links$target, nodes$name) - 1
links$value <- 1

nodes$name <- sub('_[0-9]+$', '', nodes$name)

library(networkD3)
library(htmlwidgets)

sankeyNetwork(Links = links, Nodes = nodes, Source = 'source',
              Target = 'target', Value = 'value', NodeID = 'name')