Ces deux courbes visualisent l'évolution de l'offre en cigarette dans le Shenbao entre 1914 et 1949 : la courbe la plus foncée indique le nombre de marques, la plus claire le nombre de compagnies. On observe immédiatement que l'offre croît progressivement entre 1914 et 1934, qu'elle est maximale 1934 et décroît ensuite régulièrement en 1941-1949. L'écart entre les deux courbes en 1934 signifie qu'un nombre réduit de compagnie est en mesure d'offrir un nombre accrue de marque. Il signale une concentration de la production entre une minorité de compagnies. Lorsque l'écart se resserre (en 1914 et 1949 par exemple), chaque compagnie offre individuellement un nombre limité de marques.

Ces histogrammes montrent la répartition de l'espace publicitaire entre les différents types de produits dans cinq journaux chinois, dont le Shenbao à Shanghai, sur une période de 20 jours en décembre 1923. Cette étude a été réalisée par les chercheurs de Qinghua en 1923.

Ces histogrammes permettent de situer le Shenbao par rapport à d'autres journaux chinois contemporains. Dans la perspective "évolutionniste" des publicitaires et hommes de presse de l'époque, le Shenbao occupe une situation intermédiaire entre les journaux "archaïques" dominés par les "patent medicines" et les journaux "modernes" plus proches des modèles étrangers, où la finance, la culture et les divertissements l'emportent largement sur les médicaments.

Ces cinq camemberts (à raison d'un par période) visualisent l'évolution du nombre moyen de marques proposées simultanément par chaque compagnie.

Ce camembert visualise le nombre maximal de marques offertes par chaque compagnie au cours de son existence.

Ces cinq camemberts (à raison d'un par période) visualisent l'évolution du nombre moyen de marques proposées simultanément par chaque compagnie pharmaceutique.

This pie charts shows the distribution of daily newspapers published in China between Shanghai and other places in China. Shanghai represents only 4% of daily publications. Yet these figures did not take into account the qualitative importance of the publication (in terms of readership, spatial coverage, longevity or advertising value). Source: Bacon, 1929 (755)

Source: "A circulation census. Increase in Chinese readers: Distribution Statistics." North China Herald and Supreme Court Gazette. May 24, 1933.

Source: "A circulation census. Increase in Chinese readers: Distribution Statistics." North China Herald and Supreme Court Gazette. May 24, 1933.

Based on the following dataset, the attached graphs visualize the number of articles published in the Chinese Economic Monthly/Journal between 1924 and 1936. Relying on R package "ggplot2", we propose two main types of visualization - graph lines and bar charts - to explore variations in the number of articles and topics per issue. The code used for classifying topics is described in the notice attached to the original dataset. 

Based on the following dataset, the attached graphs visualize the number of articles published in the Chinese Economic Monthly/Journal between 1924 and 1936. Relying on R package "ggplot2", we used faceted, colored and stacked bar charts to explore variations in the number of articles and topics per period. The codes used for classifying topics and for periodizing the history of the journal are described in the notice attached to the original dataset. 

Based on the following dataset, the attached time series trace the evolution in the volume (number of pages per issue) of the Chinese Economic Journal over the period November 1923-June 1937 (inclusive).

• The first graph simply plots the time series using R Studio function "plot.ts() - and "na_interpol" from R package "imputeTS" to fill missing data.
• The second graph plots the same time series transformed into an additive model after calculating the natural lof of the original data using "log()" function. 
• The third graph plots the smoothed time series based a smoothing average of order n = 8 - using the function "SMA()" from R package "TTR" and "na_interpol" from R package "imputeTS" to fill missing data 
• The fourth graph plots the decomposed time series - using R function "decompose()" 
• The fifth and last graph plots the same series after seasonal adjusting