复杂网络（Complex Network）社团数据可视化分析（gephi）实验

Experiment Report of complex network course

复杂网络实验报告

[Experiment Report of complex network course](#Experiment Report of complex network course)

复杂网络实验报告

[实验目标（The objective of the experiment）：](#实验目标（The objective of the experiment）：)

[实验流程（The flow of the experiment）：](#实验流程（The flow of the experiment）：)

[实验总结（Summary of the experiment）：](#实验总结（Summary of the experiment）：)

实验目标（The objective of the experiment）：

使用在NASP网站中获取的网络数据，对数据进行可视化处理，利用gephi软件进行可视化操作，最终得到一份数据转化的可视化图片。再安装python中的数据包networkx，利用networkx验证节点数和边数是否正确。

实验流程（The flow of the experiment）：

1、登录https://snap.stanford.edu/data/soc-sign-bitcoin-alpha.html网站进行下载我们队伍所选数据集------****Bitcoin Alpha trust weighted signed network，****下载好csv文件，我在第一次用gephi导入的时候，发现文件数据并没有列名，无法进行边表格导入。找到解决方法后，我尝试自助修改csv文件，在每一列上方加上一个列名，分别为：来源、目标、评级、时间；

（SOURCE,TARGET,RATING,TIME）

文件修改完成后，开始导入到gephi进行处理：

导入成功后，展示为该界面：

这里由于节点和边的数量过于庞大，所以未经处理的可视化的效果密密麻麻一团，需要进一步的处理；

利用度排序的方法，将节点的颜色进行划分；接着运行得出平均路径长度：

这里在统计工具中，还可以依次运行平均聚类系数、特征向量中心度进行进一步的数据分析；

在外观中，设置节点的排名：根据中间集中性设置，尺寸设置为17---170，区分节点的大小；

使用统计模块中的社区检测区域的模块化功能：

Modularity Report

Parameters:

Randomize: On

Use edge weights: On

Resolution: 1.0

Results:

Modularity: 0.456

Modularity with resolution: 0.456

Number of Communities: 19

在分割中，利用模块化的渲染方式进行渲染，得出如下可视化图片：

利用统计区的平均加权度进行测量，得出结果是

Average Weighted Degree: 6.393

可以看出大多数人在比特币交易平台的信用都是合格的；

过滤操作：范围设置为负数，其余的过滤后：

利用hu yifan视图进行布局操作，部分数据分布在边缘形成一个圆；（图中中心部分的数据还是占大多数的，只是聚集在了一起）

（最后验证成功，我们选择的网络是无标度网络）
进行python验证：

代码：

import pandas as pd

import networkx as nx

import matplotlib.pyplot as plt



df = pd.read_csv(r"D:\HuaweiMoveData\Users\shen'zhou\Desktop\soc-sign-bitcoinalpha.csv")

G = nx.DiGraph()

for index, row in df.iterrows():

    source = row['SOURCE']

    target = row['TARGET']

    rating = row['RATING']

    time = row['TIME']

    G.add_node(source)

    G.add_node(target)

    G.add_edge(source, target, rating=rating, time=time)

print(nx.number_of_nodes(G))

print(nx.number_of_edges(G))



target_data = df['TARGET']



plt.hist(target_data, bins=10)

plt.xlabel('Value')

plt.ylabel('Frequency')

plt.title('Distribution of TARGET')

plt.show()

运行后可以看出度分布直方图：

再求图的直径：

import networkx as nx
import pandas as pd
# 读取 CSV 文件并创建图
df = pd.read_csv(r"D:\HuaweiMoveData\Users\shen'zhou\Desktop\soc-sign-bitcoinalpha.csv")
G = nx.from_pandas_edgelist(df, 'SOURCE', 'TARGET', edge_attr="RATING", create_using=nx.Graph())
# 获取连通组件
connected_components = nx.connected_components(G)
diameters = []

# 计算每个连通组件的直径
for component in connected_components:
    subgraph = G.subgraph(component)
    diameter = nx.algorithms.diameter(subgraph)
    diameters.append(diameter)
print("图的直径:", max(diameters))

运行代码后计算得出图的直径为10；

数据均符合。

至此，实验与验证均结束。

实验总结（Summary of the experiment）：

数据集以表格或者csv等形式呈现的时候，数目一旦很庞大，很难让数据分析者很清楚地看清楚数据的关系以及特征，因此，数据可视化的重要性不言而喻；
Gephi使用的时候，刚导入的数据，因为没有做任何形式的处理，不仅密集，而且很难分析出有用的信息，所以需要去学习gephi的使用方法，来一步一步地处理可视化模型；
胡一凡（Yifan Hu）视图模型相较于Force Atlas等视图布局，它能让我们处理的视图的复杂度大大降低，在试了很多数据集后，我发现，基本上在数据很大的时候，用Yifan Hu视图都是不错的选择。