1. library(maptools) # A package for building maps
   
2. library(ggplot2) # To have ggplot2 graphic interface
   
3. library(plyr) # To manipulate data
   
4. library(graphics) # Set par()
   
5. library(REmap) # Get the longitude and latitude of regions
   
6. 
   
7. setwd("D:/R practice/R for map")
   
8. 
   
9. # Prepare your epidemiological data
   
10. mydata <- read.csv("D:/R practice/R for map/example.csv")
    
11. 
    
12. # Method 1: Remap
    
13. 
    
14. province <- as.character(mydata$NAME)
    
15. province <- data.frame(get_geo_position (province))
    
16. str(province)
    
17. names(province)[3] <- c("NAME" )
    
18. 
    
19. china_data_REmap <- join(mydata,province,type="full",by="NAME")
    
20. 
    
21. provinceC_REmap <- china_data_REmap[
    
22. names(china_data_REmap) %in% c("NAME1", "Dct_nur")]
    
23. 
    
24. remapC(provinceC_REmap)
    
25. 
    
26. 
    
27. # Method 2: ggplot2
    
28. 
    
29. china_map <- readShapePoly("D:/R practice/R for map/CHN map/2004/province_2004.shp")
    
30. china_map1 <- china_map@data
    
31. china_map1 <- data.frame(china_map1,id=seq(0:36)-1)
    
32. china_map2 <- fortify(china_map)
    
33. china_map3 <- join(china_map2, china_map1, type="full",by="id")
    
34. names(china_map3) [13]<- c("NAME")
    
35. china_map4 <- join(china_map3, mydata, type="full",by="NAME")
    
36. 
    
37. # example 1
    
38. ggplot ()+
    
39. geom_polygon(data=china_map4,aes(x=long,y=lat,group=group,fill=Dct_nur),colour="gray40")+
    
40. scale_fill_gradient(name="Numbers of doctor and nurse, 1/1000",low="white",high="red")+
    
41. geom_text(data =china_data_REmap,aes(x=lon,y=lat,label=province),colour="black",size=5,
    
42. vjust=0,nudge_y=0.5)+
    
43. labs(title ="Numbers of doctor nand nurse per 1000 persons in China")+
    
44. coord_map ("polyconic")+
    
45. ylim (18, 54)+
    
46. theme(
    
47. panel.grid = element_blank(),
    
48. panel.background = element_blank(),
    
49. plot.title = element_text(size = 25),
    
50. axis.title.x = element_blank(),
    
51. axis.title.y = element_blank(),
    
52. axis.text = element_blank(),
    
53. axis.ticks = element_blank(),
    
54. axis.title = element_blank(),
    
55. legend.position = c(0.15,0.2)
    
56. )
    
57. 
    
58. # example 2-1 : Bubble chart on map
    
59. ggplot ()+
    
60. geom_polygon(data=china_map4,aes(x=long,y=lat,group=group,fill=Dct_nur),colour="gray40")+
    
61. scale_fill_gradient(name="Numbers of doctor and nurse, 1/1000",low="white",high="red")+
    
62. geom_point(data=china_data_REmap,aes(x=lon,y=lat,size=Population),fill="blue",colour="red",
    
63. alpha=0.6,shape=21)+
    
64. geom_text(data =china_data_REmap,aes(x=lon,y=lat,label=province),colour="black",size=5,
    
65. vjust=0,nudge_y=0.5)+
    
66. labs(title ="Numbers of doctor nand nurse per 1000 persons in China")+
    
67. coord_map ("polyconic")+
    
68. ylim (18, 54)+
    
69. theme(
    

    
    

70. panel.grid = element_blank(),
    
71. panel.background = element_blank(),
    
72. plot.title = element_text(size = 25),
    
73. axis.title.x = element_blank(),
    
74. axis.title.y = element_blank(),
    
75. axis.text = element_blank(),
    
76. axis.ticks = element_blank(),
    
77. axis.title = element_blank()
    
78. )
    
79. 
    
80. # example 2-2 : Bar chart on map
    
81. ggplot ()+
    
82. geom_polygon(data=china_map4,aes(x=long,y=lat,group=group,fill=Dct_nur),colour="gray40")+
    
83. scale_fill_gradient(name="Numbers of doctor and nurse, 1/1000",low="white",high="red")+
    
84. geom_errorbar(data=china_data_REmap,aes(x=lon, ymin=lat, ymax=lat + Population/1500 ),
    
85. colour="blue",size=5, width=0,alpha=0.5)+
    
86. geom_text(data =china_data_REmap,aes(x=lon,y=lat,label=province),colour="black",size=5,
    
87. vjust=0,nudge_y=0.5)+
    
88. labs(title ="Numbers of doctor nand nurse per 1000 persons in China")+
    
89. ylim (18, 54)+
    
90. theme(
    
91. panel.grid = element_blank(),
    
92. panel.background = element_blank(),
    
93. plot.title = element_text(size = 25),
    
94. axis.title.x = element_blank(),
    
95. axis.title.y = element_blank(),
    
96. axis.text = element_blank(),
    
97. axis.ticks = element_blank(),
    
98. axis.title = element_blank()
    
99. )
    
100. 
     
101. library(googleVis)
     
102. 
     
103. # Method 3: googleVis
     
104. 
     
105. G1 <- gvisGeoMap(mydata,
     
106. locationvar='NAME2',
     
107. numvar='Dct_nur',
     
108. options=list(region='CN'))
     
109. plot(G1)
     
110. 
     
111. G2 <- gvisGeoChart(mydata,
     
112. locationvar='NAME2',
     
113. colorvar='Dct_nur',
     
114. options=list(region='CN',
     
115. displayMode="regions",
     
116. resolution="provinces",
     
117. colorAxis="{colors: ['yellow','red']}" ))
     
118. plot(G2)

来源：雪球App，作者： 股知录，（https://xueqiu.com/4929707997/236163866）

11月24日，发行，上市，合理市价都在130元附近。

我有，差不多就那个价，要是只给125元，我也走。

这两天看完一本和资管相关的书，发现有些东西挺值得分享。

其中最值得关注的，大约是银行r1、r2级别的理财产品，风险到底有多大？

前几天债券市场大跌，很多人买的债券基金亏钱，甚至底层资产为债券的银行理财也开始亏钱。

银行理财都亏钱了啊！

我当时一慌，就把手里的银行理财给火速赎回了。没有办法，蚊子腿也是肉，闲钱自然还是需要打理的。但我又不可能花太多心思研究收益几个点的银行理财，所以只有马马虎虎买了。

把理财赎回后，我看了下过去一段时间的收益情况，发现我买的这款银行理财一直没亏钱，只是有几天时间收益下降了而已。

心下一稳，看来我还是毛躁了啊。虽然对银行理财不熟，但也应该对自己的稳妥多些信心才对。

之所以这么毛躁，是我记得这款理财产品是r2级别的，不保本，有风险。而且底层资产有三类，其中一类就是债券。也就是造成这波理财产品亏钱潮的罪魁祸首。

但反过来看，这个理财没亏钱，说明其持有的是风险最低的国债以及超短期债券，且配比均衡，实现了整体的稳健。

知道这些后，我沉默了。

钱放银行存活期，太不划算。存定期呢，利率还是太低。于是我还是准备吃回头草，把理财产品买回来。

结果，好家伙，竟然没有额度了，买不进去。

上述算是亲身体会R2产品了。还是说说R1至R5产品的风险吧。

r1-r5的风险评级，其实还是比较有用的。

虽然如今银行理财产品都不保本，但r1基本不会亏钱，即便亏钱，比例也会很小很小。

r2预期收益相对高些，当然，亏钱的可能性也相对更大。但通常来说，r2产品的亏损幅度不会超过10%。如果出现了意外亏损，那大概率是发行理财的机构实力不行，出现了管理风险。

其它级别的理财产品，大体上按此类推。级别越高，亏钱的可能性越大，当然，赚大钱的概率也就越大。

需要注意的是，我们买银行理财的时候，通常看r1，r2等的介绍，都是说预期收益多少，不会说预期亏损多少。这个看起来让人没底，但实际上是正常的。

因为预期收益确实就是预期收益，买了这款产品，差不多确实能达到预期收益的收益。只是银行不敢给你打保票。不然，打破刚兑，让理财市场市场化就成了一纸空文。

针对亏损的可能性，也有人会钻牛角尖，说他可能成为亏钱那个人（你们都赚，就我亏？）。

这么说吧，预期收益是统计结果。比如我手上10000个橙子，其中出现甜橙的概率是80%，那基本就意味着有8000个橙子是甜的，只有2000个橙子不甜。具体单独的一个甜不甜，这个我就不知道了。就像你每吃10个橙子，基本里面有8个是甜的，即便不甜，也不存在误吃毒橙，毒发身亡的可能性。

上述的概率、预期，都是属于统计范畴。并不绝对，但大体上是这样的。

我们再接着说预期收益。

有这样一句话，叫风险不是和收益成正比，风险是和预期收益成正比。

高风险、高回报是我们常听的一句话。但这句话并不严谨，准确的说法，应该是高风险，伴随的是高回报的可能性，而不是高回报本身，因为可能出现高亏损。

也就是，风险和预期收益成正比，并不是风险和收益成正比。

你如果做一件高风险的事情，那也必然伴随着与之相应的潜在收益。不然，那就是犯傻。如果你做一件高风险的事情，却不清楚其高收益的可能性，那大概就是赔本买卖。

说些极端点的例子。

张子强知道绑架李嘉诚的儿子很危险，但他也清楚绑架李嘉诚儿子的收益在哪里。然后策划好了去抢，那就是“高风险、高收益”。

《枪王之王》中，古天乐不知道抢银行的收益在哪里，结果半路上碰到了抢银行的机会，就头脑一热抢了运钞车。结果钱花不出去，最终付之一炬。那就是“高风险、低收益”。

不管是买低风险银行理财，还是高风险银行理财，或是直接买股票，都要清楚其风险和预期收益，才能准确把握。

对了，后来我看了下，发现我买的银行理财，基本都是R1。我还是很怕这些亏钱的。正是因为买的风险最低品种，且投入的钱也不多，所以就没花太多心思。

就像这两年的可转债一样，因为中签率不高，整体回报率下降，所以我花在上面的精力已经很少了。

知道大概率能捡些钱，那就行了。

知道最低风险的银行理财，大概率不亏，那就行了。

更多的时间，还不如多看看书。