산키(sankey) 다이어그램 in R

Sankey Diagram

Sankey 다이어그램은 두개 혹은 두개 이상의 변수간의 데이터 흐름을 잘 보여주는 그래프이다. 각각의 변수 항목들은 네모 박스로 표현하고 데이터가 연관된 항목간의 데이터 량에 따라 굵기가 다른 선으로 이어지는 형태로 표현되는 그래프로 비교적 최근부터 사용되기 시작한 그래프 형태이다.

아쉽게도 R에서 그래프를 그리는데 가장 많이 사용되는 ggplot2는 아직까지 Sankey Diagram을 지원하지 못한다. 따라서 Sankey 다이어그램을 생성하기 위해서는 plotly나 networkD3패키지를 사용할 수 있다.

plotly와 networkD3패키지로 작성된 Sankey 다이어그램은 모두 대화형(interactive) 그래프로 Sankey 다이어그램이 생성되기 때문에 웹상에서는 마우스 포인터의 위치에 따라 해당 내용이 화면에 표기된다.

Sankey 다이어그램을 생성하기 위해서는 일단 Sankey 다이어그램을 생성하기 위한 데이터를 세팅할 필요가 있다.

이번 포스트에서는 교육통계 서비스 홈페이지 https://kess.kedi.re.kr에서 제공하는 직업계고 시도별 유형별 취업현황 데이터를 사용하였다.

데이터 로딩 및 전처리

직업계고 시도별 유형별 취업현황 데이터에서 다운받은 파일((직업계고) 시도.유형별 취업현황_2020.xlsx)의 데이터를 로딩하면 다음과 같다.

library(readxl)

df <- read_excel('./(직업계고) 시도.유형별 취업현황_2020.xlsx', skip = 2, na = '-', sheet = 1, col_types = c('text', 'text', rep('numeric', 18)), col_names = F)

colnames(df) <- c('지역', '종류', '졸업자.계', '졸업자.남', '졸업자.여', '취업자.계', '취업자.남', '취업자.여', '진학자.계', '진학자.남', '진학자.여', '입대자.계', '입대자.남', '입대자.여', '제외인정자.계', '제외인정자.남', '제외인정자.여', '미취업자.계', '미취업자.남', '미취업자.여')

head(df)

## # A tibble: 6 x 20
##   지역    종류       졸업자.계 졸업자.남 졸업자.여 취업자.계 취업자.남 취업자.여
##   <chr>   <chr>          <dbl>     <dbl>     <dbl>     <dbl>     <dbl>     <dbl>
## 1 01.서울 마이스터고       584       411       173       418       279       139
## 2 02.부산 마이스터고       549       539        10       279       273         6
## 3 03.대구 마이스터고       563       525        38       290       272        18
## 4 04.인천 마이스터고       265       224        41       117        93        24
## 5 05.광주 마이스터고       157       122        35       103        81        22
## 6 06.대전 마이스터고       264       247        17       178       166        12
## # ... with 12 more variables: 진학자.계 <dbl>, 진학자.남 <dbl>,
## #   진학자.여 <dbl>, 입대자.계 <dbl>, 입대자.남 <dbl>, 입대자.여 <dbl>,
## #   제외인정자.계 <dbl>, 제외인정자.남 <dbl>, 제외인정자.여 <dbl>,
## #   미취업자.계 <dbl>, 미취업자.남 <dbl>, 미취업자.여 <dbl>

Sankey 다이어그램을 생성하기 위해서는 세가지 데이터가 필요하다.

첫번째는 (네모 박스로 표현되는) 각각 노드의 이름,

두번째는 각각의 노드들이 연결되는 링크에 대한 정보,

세번째는 링크의 굵기가 표현될 데이터 정보이다.

이를 적절히 추출하기 위해 앞서 로딩한 데이터를 다음과 같이 변환하였다.

library(tidyverse)
sankey <- df |> 
  ## '지역'열과 '종류'열 중에 na가 아닌 행만 선택한다.  
  filter(is.na(지역) == FALSE, is.na(종류) == FALSE) |>
  ## 열 중에서 '지역'열, '졸업자.계'열과 '남', '여'로 끝나는 열을 제외
  select(-c(지역, 졸업자.계, ends_with('남'), ends_with('여'))) |> 
  ## 종류 열을 사용하여 group
  group_by(종류) |>
  ## 전체 열에 대해 `sum`을 적용
  summarise_all(sum) |>
  ## 열이름을 적절히 변경
  rename(c('취업자' = '취업자.계', '진학자' = '진학자.계', '입대자' = '입대자.계', '제외인정자' = '제외인정자.계', '미취업자' = '미취업자.계')) |>
  ##  첫번째 열을 제외하고 나머지 열들에 긴 형태의 데이터로 변환
  gather('구분', '학생수', -1) |>
  ## 종류 열과 구분 열을 factor로 변환
  mutate(종류 = fct_relevel(종류, '마이스터고', '특성화고', '일반고_직업반'), 
         구분 = fct_relevel(구분, '취업자', '진학자', '입대자', '제외인정자', '미취업자')) |>
  ## 종류 열과 구분 열로 정렬
  arrange(종류, 구분)

head(sankey)

## # A tibble: 6 x 3
##   종류       구분       학생수
##   <fct>      <fct>       <dbl>
## 1 마이스터고 취업자       3510
## 2 마이스터고 진학자        297
## 3 마이스터고 입대자        394
## 4 마이스터고 제외인정자     48
## 5 마이스터고 미취업자     1417
## 6 특성화고   취업자      20785

위의 데이터에서 앞서 설명한 세가지 데이터를 뽑아내겠다.

1. 노드의 이름

노드의 이름은 좌측 노드(from)와 우측 노드(to)의 이름을 벡터로 만들었다. 좌측 노드는 종류 열, 우측 노드는 구분 열로 정리했기 때문에 각각의 열을 벡터로 변환하면 쉽게 얻을 수 있다.

from <- unique(as.character(sankey$종류))
from

## [1] "마이스터고"    "특성화고"      "일반고_직업반"

to <- unique(as.character(sankey$구분))
to

## [1] "취업자"     "진학자"     "입대자"     "제외인정자" "미취업자"

c(from, to)

## [1] "마이스터고"    "특성화고"      "일반고_직업반" "취업자"       
## [5] "진학자"        "입대자"        "제외인정자"    "미취업자"

2. 노드 링크 정보

노드 링크 정보는 앞서 생성한 노드의 이름 벡터의 인덱스 정보를 사용해서 source와 target을 설정한다. 여기서 중요한 것이 R에서 사용하는 인덱스는 일반적으로 1부터 시작하지만 여기서 사용하는 인덱스는 0부터 시작한다는 것이다. 앞서 생성한 벡터에서 가장 앞에 위치한 ’특성화고’는 인덱스 0으로, 두번쨰인 ’마이스터고’는 인덱스 1로 사용한다. 여기서 그리고자 하는 Sankey 다이어그램은 특성화고(0)-취업자(3), 특성화고(0)-진학자(4), 특성화고(0)-입대자(5), 특성화고(0)-제외인정자(6), 특성화고(0)-미취업자(7), 마이스터고(1)-취업자(3), … , 일반고_직업반(2)-미취업자(7) 등의 링크가 필요하다. 따라서 다음과 같이 source와 target을 설정할 수 있다.

## source
c(rep(0, 5), rep(1, 5), rep(2, 5))

##  [1] 0 0 0 0 0 1 1 1 1 1 2 2 2 2 2

## target
c(rep(3:7, 3))

##  [1] 3 4 5 6 7 3 4 5 6 7 3 4 5 6 7

3. 노드 데이터 정보

앞서 설정된 노드 링크 정보는 총 15개이다. 따라서 각 노드 링크마다 할당되어야 하는 데이터의 개수도 15개가 필요하다. 앞서 데이터를 선처리 할 때 노드링크의 순서에 따라 데이터를 정리해 놓았기 때문에 sankey$학생수를 바로 사용할 수 있다.

## 노드 데이터 정보
sankey$학생수

##  [1]  3510   297   394    48  1417 20785 35195  1176   864 21483   643  2723
## [13]    15    58  1390

위의 데이터들을 정리하자면 노드의 이름을 먼저 설정하고 노드의 링크, 노드의 데이터를 설정하는데 노드 0은 ‘특성화고’, 노드 3은 ‘취업자’, 노드 4는 ’진학자’이고 0->3으로 가는 링크는 3510, 0->4로 가는 링크는 297등과 같이 표현된다.

networkD3를 활용한 sankey diagram

networkD3를 사용해서 Sankey 다이어그램을 생성하는 것은 plotly를 사용할 떄와 거의 유사하다. 다만 plotly를 사용해서 Sankey 다이어그램을 생성할 때는 Sankey 다이어그램을 생성하기 위한 세가지 데이터들을 벡터로 사용하였지만 networkD3를 사용할 때는 데이터 프레임의 형태로 저장하여 사용해야 한다는 점이 다르다.

library(networkD3)
## 노드의 이름이 저장된 데이터프레임 생성
nodes <- data.frame(
  name = c(from, to)
)

## 노드 링크 정보와 노드 데이터 정보가 저장된 데이터 프레임 생성
links <- data.frame(
  source = c(rep(0, 5), rep(1, 5), rep(2, 5)),
  target = c(rep(3:7, 3)),
  value = sankey$학생수
)

## sankey diagram 생성
sankeyNetwork(Links = links, Nodes = nodes,
              Source = "source", Target = "target",
              Value = "value", NodeID = "name", 
              sinksRight=FALSE, fontSize = 12, nodeWidth = 20)

(직업계고) 시도.유형별 취업현황_2020.xlsx

16.9 kB