通过SAS网络分析对人口迁移进行可视化分析

简介: 通过SAS网络分析对人口迁移进行可视化分析

世界上超过3.5%的人口正在移动,被视为国际移民。这是一个超过2.5亿人生活在一个不同于他们的出生国或国籍的国家。以另外一种方式,如果所有的移民生活在一个国家,其人口将是5 个最大的国家在世界上! 移民的流动,我们创建了一个可视化,让用户亲眼看看移民的移动情况。

移民迁移到哪些国家?在移居特定国家的所有移民中,他们来自哪里?


规划可视化

我们希望允许用户轻松探索这些问题,因此我们使用SAS Visual Analytics创建了交互式可视化。我们分析了联合国(联合国经济和社会事务部 - 人口司)的移民数据,并开始编写报告。但是显示这些数据的最佳方法是什么?

数据中有许多变量,但关键变量是年份,国家,国家目的地和移民数量(见下面的例子)。由于空间考虑,分析中的其他变量(如性别和区域)在以下屏幕截图中被省略。

 

 

可视化地图上的移动

由于我们正在处理地理数据,因此我们希望在地图上显示可视化。我们将地图过滤为一个原始国家/地区。不确定哪种方式可能表现最佳,我们尝试了两种标准方式来显示地理地图(如下所示)。

泡泡图 - 泡沫越大,移动到目的地国家的移民就越多。

地区 - 国家阴影越黑,移民越多。

 

 

一目了然,您可以看到哪个目的地国家有更多的移民。

您可以在一个您可能不会想到的地方找到答案:网络分析。如果你以前没有使用过这个对象,你首先想到的可能是它们看起来像蜘蛛网(很多都是这样)。以下对象是对上述地图上显示的相同联合国数据的网络分析,过滤到单个来源国家。节点的大小表示到目的地国家的移民数量。

 

以下地图是与上面相同的默认网络分析对象,但具有地图背景。它甚至看起来与前面显示的气泡图非常相似,只是它添加了节点之间的链接(并选择了不同的地图服务)。

 

 

以下地图反映了这些变化。它包含与之前地图相同的信息,但它讲述了一个更加动态的故事。网络分析显示了移民的起源,线条的粗细比较了体积,颜色代表了目的地区域。您可以一眼就看出移民的移动地点和移动地点!

 

 

 

为了实现这一切,我们根据移民目的地添加了一个词云。现在,当您按移民来源过滤时,您可以在地图和文字云中快速查看移民卷。

相关文章
|
机器学习/深度学习 算法
基于BP神经网络的人口预测
基于BP神经网络的人口预测
201 0
|
3月前
|
人工智能 编解码 云计算
骄傲!全球一半人口看奥运,阿里云成功支撑史上最大规模电视网络转播
骄傲!全球一半人口看奥运,阿里云成功支撑史上最大规模电视网络转播
172 7
|
6月前
|
数据挖掘 开发工具 Android开发
R语言对git安卓包分类统计、聚类、复杂网络可视化分析
R语言对git安卓包分类统计、聚类、复杂网络可视化分析
|
6月前
|
机器学习/深度学习 数据可视化 数据挖掘
【视频】少样本图像分类?迁移学习、自监督学习理论和R语言CNN深度学习卷积神经网络实例
【视频】少样本图像分类?迁移学习、自监督学习理论和R语言CNN深度学习卷积神经网络实例
|
6月前
|
数据采集 数据可视化
R语言用相关网络图可视化分析汽车配置和饮酒习惯
R语言用相关网络图可视化分析汽车配置和饮酒习惯
|
6月前
|
机器学习/深度学习 算法 数据挖掘
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
|
6月前
|
数据可视化
R语言推特twitter网络转发可视化分析
R语言推特twitter网络转发可视化分析
|
6月前
|
机器学习/深度学习 存储 计算机视觉
sas神经网络:构建人工神经网络模型来识别垃圾邮件
sas神经网络:构建人工神经网络模型来识别垃圾邮件
|
6月前
|
存储 算法 API
使用Python和SAS Viya分析社交网络
使用Python和SAS Viya分析社交网络
|
6月前
|
机器学习/深度学习 编解码 PyTorch
Pytorch迁移学习使用MobileNet v3网络模型进行猫狗预测二分类
MobileNet v1是MobileNet系列中的第一个版本,于2017年由Google团队提出。其主要目标是设计一个轻量级的深度神经网络,能够在移动设备和嵌入式系统上进行图像分类和目标检测任务,并且具有较高的计算效率和较小的模型大小。
290 0