最喜欢的一句话：重要的不是当前的位置，而是你前进的方向和速度，以及加速度。
公众号：Python大数据分析与机器学习
话不多说，上图—最后的效果图
（1）数据集—物流流向数据集，数据集主要是从北京发向全国各地的物流数据；
浅浅的展示一下前5行数据：
（2）目标：我们将会利用该数据集去做物流流向分析，接下来看一下数据中的维度和指标。
维度：城市、快递线路、指标名称；
指标：id、编号、件数、经度、纬度、已签收、记录数。
（1）首先，选择我们要使用的图表类型—流向地图。
（2）之后，将指标中的经度和维度分别设置为地理角色（经度）和（维度）。因为在导入数据之后，默认情况下，经度和纬度的地理角色为无，则表示他们无法以经纬度的方式在地图上进行展示，那你也没有办法去做流向地图了，所以这一点非常关键。切记！！
（3）将经度放置在横轴，纬度放置在纵轴，件数（汇总方式：求和）放置在颜色，编号放置在连线，件数（汇总方式：求和）放置在标签，快递线路与城市放置在细粒度。
（4）颜色设置：设置颜色渐变方案为格调。
（5）连线设置：为了让我们的流向看起来更加美观，可以设置线型为曲线。
（6）标签设置：标签可以显示发送的快递件数，还可以显示其他信息，这个根据自己的需要，后期可以将想要展示的指标放置在标签。
（7）组件样式：这里我们取消了组件的标题和图例显示，并且将背景设置为深蓝。
（8）最后一点就是，线的闪烁动画，在图形属性—颜色—特殊显示—闪烁动画。
以上就是利用FineBI流向地图图表对物流行业的物流流向分析。
物流运营中，为提高运输和配送效率，减少成本，更有效的满足客户服务需求，需要按快递量高低的不同，合理安排业务，提高物流流转效率。
本项目通过分析物流流向前10城市（即为，从北京到其他城市的发货量最大的前10个城市），签收前10的城市来了解物流流转情况。
（1）首先，选择我们要用的图表类型—颜色表格；
（2）将城市放置在纵轴，将件数（汇总方式：求和）放置在颜色，文本。其中，文本中我们需要放置两个件数，一个以汇总方式：求和展示，一个以快速计算：组内占比展示。
（3）文本设置：为了能够让件数（求和）、件数（组内占比）以类似表格的形式展示，我们需要设置文本。
（4）最后，因为我们要的是TOP10，所以，就需要对纵轴指标：城市，进行（按照件数求和）降序排列。然后，进行过滤。
注意：这里的最大的N为11。因为虽然我们首先将北京本地的快递件数排除了，但是，如果我们选择N为10的话，最后展示的结果只有9个，所以，我们设置N为11。
本项目，我们将会分析从北京发出的快递在全国各个城市的签收比例，以此，来安排人员以及业务。
我们会使用对比柱状图进行分析快递签收率最高的前10个城市。
（1）由于在我们的数据集中，并没有签收占比指标，所以我们需要计算，在维度上方有一个小加号+我们可以点击添加计算字段。
（2）将签收占比放置在横轴，城市放置在纵轴。同时，将城市放置在颜色中，将签收占比放置在标签。我们可以根据自己的需要设置图形的大小（包括柱宽和圆角）。
（3）将城市按照快递签收比例的占比进行降序排列，然后选择前10的城市即可，操作也是比较简单的。铁子们加油呀，明天一定会更好。
如何了解全国快递区域的具体情况（发送快递量、签收量签收合格率），从而，判断哪些城市在物流配送环节存在问题呢？
我们可以通过制作快递流向明细表，将所需了解的内容–呈现出来，并对达标的情况用不同的形状予以标注，达到一个直观的显示效果。
（1）图表类型选择明细表，依次将发货地、收货地、件数、已签收和快递签收比例放置在数据栏目，其中，这里我们用到的快递签收比例（已签收/件数）也是需要通过自己计算得到的。
图表类型—KPI指标卡，将件数拖入颜色和文本中，汇总方式：求和，文本的颜色可以根据自己的需求设置。
到这里，我们就完成了整张表的设计。
（1）由物流流向地图我们可以看出，江浙沪地区的快递量比较大，而像西藏、新疆、青海、海南省的快递量比较少，或者说这些地区的客户买北京地区的快递比较少，可能会考虑到物流时长的原因，但是这只是一方面，我们还需要更多的数据区进行分析。
（2）由我们的物流流向前TOP10，我们可以看出，杭州上海焦作的快递量比较大，但是杭州和上海的差距还是挺大的，相差1000多的快递量，而上海与焦作的差距也达到了600多。因此，我们需要将重点放在杭州的快递上，同时，采取措施提高上海、焦作和盐城的数据。
（3）对于快递签收Top10，我们可以看出，虽然阿里地区的快递量不是太多，但是签收比例还是挺高的，达到了89.1%，签收比例最高的前三个城市分别为阿里地区、梧州市以及揭阳市。
（4）通过明细表对地域分布情况的分析，我们可以通过快递签收比例的形状看出哪些地区是达到了我们的目标，还有哪些地区需要优化，还有哪些地区的签收比例不太好。
