漏斗圖，形如「漏斗」，用於展示資料的逐漸減少或過濾過程。
它的起始總是最大，並在各個環節依次減少，每個環節用一個梯形來表示，整體形如漏斗。
一般來說，所有梯形的高度應是一致的，這會有助人們辨別數值間的差異。

需要注意的是，漏斗圖的各個環節，有邏輯上的順序關係。
同時，漏斗圖的所有環節的流量都應該使用同一個度量。

通過漏斗圖，可以較直觀的看出流程中各部分的佔比、發現流程中的問題，進而做出決策。

1. 主要元素

漏斗圖的主要元素包括：

1. 分類：漏斗圖中的不同層級或步驟。每個分類代表一個特定的過程、篩選或轉化。
2. 倒梯形：表示在每個階段中的資料數量或數量的百分比。通常，隨著階段的推進，資料量會逐漸減少。
3. 資料流：表示資料在不同階段之間的流動路徑。它顯示了資料從一個階段到另一個階段的轉移和過濾過程。
4. 轉化率：表示在每個階段中資料的轉化率或轉化的百分比。它反映了資料在不同階段之間的損失或過濾程度。

2. 適用的場景

漏斗圖適用的分析場景包括：

• 銷售轉化分析：跟蹤銷售過程中的潛在客戶數量，並展示他們在不同階段的轉化率，從而幫助分析銷售流程中的瓶頸和改進機會。
• 市場行銷分析：展示市場活動中的潛在客戶數量，並顯示他們在不同行銷階段的轉化率，從而評估市場策略的有效性和改進方向。
• 使用者體驗分析：追蹤使用者在產品或服務使用過程中的轉化率，幫助分析使用者體驗中的瓶頸和提升點，從而優化產品或服務設計。
• 網站流量分析：展示網站存取者在不同頁面或功能模組之間的轉化率，幫助分析使用者行為和改進網站設計。

3. 不適用的場景

然而，漏斗圖並不適用於所有分析場景。以下是一些不適合使用漏斗圖的情況：

• 資料無序或重複：如果資料沒有明確的階段或無法按照特定的流程進行過濾或轉化，漏斗圖可能不適用。
• 資料缺失或不完整：如果資料在不同階段之間存在缺失或不完整，漏斗圖可能無法準確反映資料流動和轉化情況。
• 多個並行路徑：如果資料在不同階段之間存在多個並行路徑，並且無法簡單地表示為單一的線性流程，漏斗圖可能無法有效展示資料流動。

4. 分析實戰

本次用漏斗圖分析各個學歷的畢業生人數，從小學學歷到博士學歷。

4.1. 資料來源

資料來源國家統計局公開的資料，整理好的資料可從下面的地址下載：
https://databook.top/nation/A0M

使用其中的檔案：A0M0203.csv(各級各類學歷教育畢業生數)

fp = "d:/share/data/A0M0203.csv"

df = pd.read_csv(fp)
df

4.2. 資料清理

漏斗圖不需要時間序列資料，所以，只提取2021年的資料中從小學到博士的6種學歷的畢業生人數。

data = df[df["sj"] == 2021]

#A0M020312: 普通小學畢業生數(萬人)
#A0M02030T: 初中階段教育畢業生數(萬人)	
#A0M02030J: 普通高中畢業生數(萬人)
#A0M020306: 普通本科畢業生數(萬人)	
#A0M020304: 碩士畢業生數(萬人)	
#A0M020303: 博士畢業生數(萬人)
data = data[
    data["zb"].isin(
        [
            "A0M020312",
            "A0M02030T",
            "A0M02030J",
            "A0M020306",
            "A0M020304",
            "A0M020303",
        ]
    )
]

data = data.sort_values("value", ascending=False)
data

4.3. 分析結果視覺化

with plt.style.context("dark_background"):
    fig = plt.figure()
    ax = fig.add_axes([0.1, 0.1, 1, 1])

    colors = plt.cm.Set2.colors
    cnt = len(data)

    y = [[1 + i * 3, 3.8 + i * 3] for i in range(cnt)]
    y_ticks = [2 + i * 3 for i in range(cnt)]

    start_x1 = 5
    start_x2 = -5
    for i in range(cnt):
        ax.fill_betweenx(
            y=y[i],
            x1=[start_x1, data.iloc[i, 4]],
            x2=[start_x2, -1 * data.iloc[i, 4]],
            color=colors[i],
        )
        start_x1 = data.iloc[i, 4]
        start_x2 = -1 * data.iloc[i, 4]

    ax.set_xticks([], [])
    ax.set_yticks(y_ticks, data["zbCN"])

    for y, value in zip(y_ticks, data["value"]):
        ax.text(
            10,
            y,
            value,
            fontsize=16,
            fontweight="bold",
            color="white",
            ha="center",
        )

    ax.grid(False)
    ax.set_title("2021年各學歷畢業人數")

從圖中可以看出，完成9年義務教育的比例很高。
初中到高中，人數幾乎減半，而本科考研，碩士考博的人數比例更是銳減。