SEO外包平台,我们为您提供专业的企业网站SEO整站优化外包服务 SEO设置

SEO外包平台

专注于企业网站SEO整站优化外包服务

社会网络分析--网络的基本属性和中心性分析

作者:jcmp      发布时间:2021-05-03      浏览量:0
最近做了一些关于社交网络分析的工作,在这

最近做了一些关于社交网络分析的工作,在这里写了一个简单的总结。

1,1。工具

1.Python3.7

。NetworkX2.3

这是一个专用于复杂网络分析的包,可以通过pipinstallnetworkx安装。

2,网络的基本属性

1。

网络中包含的节点数。

2.

网络中包含的边数。

3.密度

网络中包含的边数与网络中可能的边数的比例。

4.聚集系数

也称为局部聚集系数,即网络中各节点聚集系数的平均值。节点的聚集系数是,如果节点的所有邻居成对组合,则存在一个公共的物种组合,而在组合中,相邻节点的数目与两个节点的所有组合的比例是节点的聚集系数。

5.传递性

也称为全局聚集系数,即网络中的三角结构占所有可能的三角结构的比例。

6.互惠性

是有向图的性质,即在有向图中,双向连通边占所有边的比例.

3和

中心性分析包括两个方面,即节点的中心性和整个网络的中心势。

1。节点中心度

节点中心度包括度中心度、近中心度和中间中心度。

邻近中心性是节点与图中所有其他点之间最短距离之和的倒数。一个点与其他点的距离越近,该点在传输信息方面就越独立于其他节点,则该点具有更高的接近中心度。在有向图中,将近中心度划分为接近中心度和传入近中心度。

中介中心性度量节点可以在多大程度上成为“中间人”,即它在多大程度上控制其他节点。如果一个节点位于多个节点之间,它可以被认为是一个重要的“中介”角色,处于这个位置的人可以控制信息的传递并影响到群体。

(4)绝对中心度和相对中心度

的三种计算方法是绝对中心性。绝对中心性的一个缺点是对于不同结构和大小的节点,其相对中心性不能直接进行比较,因此提出了相对中心性的概念。相对中心性可以理解为对绝对中心性的规范。相对中心度的计算公式为

2。网络中心电位

的中心电位对应于节点的中心度,还有三种类型,即度中心电位、近中心电位和中间中心电位。

4.使用NetworkX分析社交网络

1。构造网络

定义了网络中的多种网络,如无向图、有向图、二分图、多层网络等。这里我们使用有向图进行分析。

2.网络中可以直接计算

的基本性质。

num_node=nx.number_of_node(G)#节点书num_边=nx.number_连接数(G)#连接数密度=nx.Density(G)#密度集群系数=nx。平均聚集系数/局部聚集系数传递性=nx.传递性(G)#传递性/全局聚集系数互易=nx.f.(G)#互易打印(节点数:‘,num_节点)打印(’连接号:‘,num_边)打印(’密度:‘,’密度:‘,打印(“局部聚集系数:”集群系数“)打印(”全局聚集系数:“传递性”)打印(“互惠:”,互惠性)。

输出为:

节点数:5个连接:6个密度:0.3个局部聚集系数:0.153333333333332全局聚集系数:0.25个互惠系数:0.33333333333333。

3。

在网络中计算的中心性是相对中心性。

出度=nx.out度中心(G)#退出中心in_次=nx.in_次中心度(G)#入口中心Out_Closeness=nx.Closeness_集中度(G.反向()#离开中心=nx.Closeness_集中度(G)进入近中心中间(G)=nx.中间中心度(G)中间中心度打印(‘退出中心度:’,出度)打印(‘度中心度:’,)打印(‘度中心度:’,)打印(‘度中心度:’)打印(“离中心度:”、“距离中心度”)打印(“接近中心度”、“内贴近度”)打印(“中间中心度:”、“中间中心度”、“中间度”)。

输出:

出口中心性:{‘A≤:0.5,’B≤:0.5,‘D≤:0.25,’C≤:0.0,‘E≤0.25}入口中心:{’A≤:0。‘B≤:0.25,’D:0.75,‘C≤:0.25,’E≤:0.25}靠近中心:{‘A≤:0.66666666666666}’B≤:0.5625,‘D≤:0.25,’C≤:0.0,‘E≤:0.25}进场中心度:{’A≤:0.0,‘B≤:0.25,’D≤:0.75,‘C≤:0.3333333333,‘e 0.44999999999999999999999999999999999999999999999999996}中介中心:{’A≤0.00,‘B≤:0.08333333333333,’D≤:0.1666666666666666666666666666,主题:Re:Колибри0.0.0/p>4。网络中的中心电位计算

似乎没有直接计算中心电位的方法,这里我们可以根据公式自己计算。

max_s=0表示OUT_DERE。键():if(OUT_DEL[OUT]>max_):MAX_=OUT_DRED[OUT]s=s+OUT_DEL[OUT]打印(‘出度中心势:’,(num_node*max_-s)/(num_node-2))max_=s=0 for in_in_区段。Key():如果(in_次[in_]>max_):max_=in_次[in_]s=s+in_次[in_]打印(‘入度中心势:’,(num_node*max_-s)/(num_node-2)max_=s=0表示b in out_closeness.key():if(out_closeness[b]>max_):Max_=out_Closeness[b]s=s+out_Closeness[b]打印(‘出接近中心势:’,(num_node*max_-s)/(num_node-1)/(num_node-2)*(2*num_node-3)max_=s=0对于b in_clseness.key():if(in_Closeness[b]>max_):max_=in_Closeness[b]s=s+in_Closeness[b]打印(‘入接近中心势:’,(num_node*max_-s)/(num_node-1)/(num_node-2)*(2*num_node-3)max_=s=0对于b在键()中。键():if(中间度[b]>max_):max_=interweenness[b]s=s+interweenness[b]print(‘中介中心势:’,(num_node*max_s)/(num_node-1))。

的输出为:

出口中心电位:0.33333333333333入口中心电位:0.75接近中心电位:0.935763888888888,接近中心电位:1。1472222222222221中介中心潜力:0.1458333333333333231。

5。绘制

将matplotlib.pyplot导入为pltnx.drag(G)plt.Show()。

输出是:

当然,这是最容易绘制的方法,而且在networkx中还有更复杂的方法可以根据您自己的需要个性化。

以后有时间编写networkx绘图~