知识图谱如火如荼，首先推荐在python下进行社交网络分析networkx

建立图网络

无向图

import networkx as nx
G = nx.Graph()                                        #建立一个空的无向图G
G.add_node(1)                                        #添加一个节点1
G.add_edge(2,3)                                     #添加一条边2-3（隐含着添加了两个节点2、3）
G.add_edge(3,2)                                     #对于无向图，边3-2与边2-3被认为是一条边
print (G.nodes())                                       #输出全部的节点： [1, 2, 3]
print (G.edges())                                       #输出全部的边：[(2, 3)]
print (G.number_of_edges())                    #输出边的数量：1

[1, 2, 3]
[(2, 3)]
1

有向图

将G = nx.Graph() 改为 G = nx.DiGraph()即进行有向图，表示不同的边

import networkx as nx
G = nx.DiGraph()                                        #建立一个空的无向图G
G.add_node(1)                                        #添加一个节点1
G.add_edge(2,3)                                     #添加一条边2-3（隐含着添加了两个节点2、3）
G.add_edge(3,2)                                     #对于无向图，边3-2与边2-3被认为是一条边
print (G.nodes())                                       #输出全部的节点： [1, 2, 3]
print (G.edges())                                       #输出全部的边：[(2, 3), (3, 2)]
print (G.number_of_edges())                    #输出边的数量：[1, 2, 3]
[(2, 3), (3, 2)]
2

同时，有向图和无向图是可以相互转化的，分别用到Graph.to_undirected() 和 Graph.to_directed()两个方法。

带权图

有向图和无向图都可以给边赋予权重，用到的方法是add_weighted_edges_from，它接受1个或多个三元组[u,v,w]作为参数，其中u是起点，v是终点，w是权重。例如：

G.add_weighted_edges_from([(0,1,3.0),(1,2,7.5)])

添加0-1和1-2两条边，权重分别是3.0和7.5。

如果想读取权重，可以使用get_edge_data方法，它接受两个参数u和v，即边的起讫点。例如：

import networkx as nx
G = nx.DiGraph()
G.add_node(1)
G.add_edge(2,3)
G.add_edge(3,2)
G.add_weighted_edges_from([(0,1,3.0),(1,2,7.5)])
print (G.nodes())
print (G.edges())
print (G.number_of_edges())                    print (G.get_edge_data(1,2))

[1, 2, 3, 0]
[(1, 2), (2, 3), (3, 2), (0, 1)]
4
{‘weight’: 7.5}

NetworkX提供了常用的图论经典算法，例如DFS、BFS、最短路、最小生成树、最大流等等
#调用多源最短路径算法，计算图G所有节点间的最短路径

path=dict(nx.all_pairs_shortest_path(G))
print (path[0][2])

[0, 1, 2]

一个完整官方小案例

 import networkx as nxG = nx.Graph()
G.add_edge('A', 'B', weight=4)G.add_edge('B', 'D', weight=2)G.add_edge('A', 'C', weight=3)G.add_edge('C', 'D', weight=4)
nx.shortest_path(G, 'A', 'D', weight='weight')

[‘A’, ‘B’, ‘D’]

图数据的保存与绘图

import networkx as nx
import matplotlib.pyplot as plt
G = nx.DiGraph()
G.add_node(1)
G.add_edge(2,3)
G.add_edge(3,2)
nx.write_edgelist(G, path="grid.edgelist", delimiter=":")
# write edgelist to grid.edgelist
nx.write_edgelist(G, path="grid.edgelist", delimiter=":")
# read edgelist from grid.edgelist
H = nx.read_edgelist(path="grid.edgelist", delimiter=":")nx.draw(H)
plt.show()

数据库基本统计

!usr/bin/env python

* coding:utf-8 *

import matplotlib.pyplot as plt
from networkx import nx

G = nx.lollipop_graph(4, 6)

pathlengths = []

print(“source vertex {target:length, }”)
for v in G.nodes():
spl = dict(nx.single_source_shortest_path_length(G, v))
print(‘{} {} ‘.format(v, spl))
for p in spl:
pathlengths.append(spl[p])

print(”)
print(“average shortest path length %s” % (sum(pathlengths) / len(pathlengths)))

histogram of path lengths

dist = {}
for p in pathlengths:if p in dist:dist[p] += 1else:dist[p] = 1print('')
print("length #paths")
verts = dist.keys()
for d in sorted(verts):print('%s %d' % (d, dist[d]))print("radius: %d" % nx.radius(G))
print("diameter: %d" % nx.diameter(G))
print("eccentricity: %s" % nx.eccentricity(G))
print("center: %s" % nx.center(G))
print("periphery: %s" % nx.periphery(G))
print("density: %s" % nx.density(G))nx.draw(G, with_labels=True)
plt.show()

source vertex {target:length, }
0 {0: 0, 1: 1, 2: 1, 3: 1, 4: 2, 5: 3, 6: 4, 7: 5, 8: 6, 9: 7}
1 {1: 0, 0: 1, 2: 1, 3: 1, 4: 2, 5: 3, 6: 4, 7: 5, 8: 6, 9: 7}
2 {2: 0, 0: 1, 1: 1, 3: 1, 4: 2, 5: 3, 6: 4, 7: 5, 8: 6, 9: 7}
3 {3: 0, 0: 1, 1: 1, 2: 1, 4: 1, 5: 2, 6: 3, 7: 4, 8: 5, 9: 6}
4 {4: 0, 5: 1, 3: 1, 6: 2, 0: 2, 1: 2, 2: 2, 7: 3, 8: 4, 9: 5}
5 {5: 0, 4: 1, 6: 1, 3: 2, 7: 2, 0: 3, 1: 3, 2: 3, 8: 3, 9: 4}
6 {6: 0, 5: 1, 7: 1, 4: 2, 8: 2, 3: 3, 9: 3, 0: 4, 1: 4, 2: 4}
7 {7: 0, 6: 1, 8: 1, 5: 2, 9: 2, 4: 3, 3: 4, 0: 5, 1: 5, 2: 5}
8 {8: 0, 7: 1, 9: 1, 6: 2, 5: 3, 4: 4, 3: 5, 0: 6, 1: 6, 2: 6}
9 {9: 0, 8: 1, 7: 2, 6: 3, 5: 4, 4: 5, 3: 6, 0: 7, 1: 7, 2: 7}

average shortest path length 2.86

length #paths
0 10
1 24
2 16
3 14
4 12
5 10
6 8
7 6
radius: 4
diameter: 7
eccentricity: {0: 7, 1: 7, 2: 7, 3: 6, 4: 5, 5: 4, 6: 4, 7: 5, 8: 6, 9: 7}
center: [5, 6]
periphery: [0, 1, 2, 9]
density: 0.26666666666666666

中心性

关于常用中心性的可以参考直通车

此处翻译来源与网络，如果错误请批评指正

Degree centrality measures.（点度中心性）
degree_centrality(G) Compute the degree centrality for nodes.
in_degree_centrality(G) Compute the in-degree centrality for nodes.
out_degree_centrality(G) Compute the out-degree centrality for nodes.

Closeness centrality measures.（接近中心性）
closeness_centrality(G[, v, weighted_edges]) Compute closeness centrality for nodes.

Betweenness centrality measures.（中介中心性）
betweenness_centrality(G[, normalized, …]) Compute betweenness centrality for nodes.
edge_betweenness_centrality(G[, normalized, …]) Compute betweenness centrality for edges.

Current-flow closeness centrality measures.（流紧密中心性）
current_flow_closeness_centrality(G[, …]) Compute current-flow closeness centrality for nodes.
Current-Flow Betweenness

Current-flow betweenness centrality measures.（流介数中心性）
current_flow_betweenness_centrality(G[, …]) Compute current-flow betweenness centrality for nodes.
edge_current_flow_betweenness_centrality(G) Compute current-flow betweenness centrality for edges.

Eigenvector centrality.（特征向量中心性）
eigenvector_centrality(G[, max_iter, tol, …]) Compute the eigenvector centrality for the graph G.
eigenvector_centrality_numpy(G) Compute the eigenvector centrality for the graph G.

Load centrality.（不知道）
load_centrality(G[, v, cutoff, normalized, …]) Compute load centrality for nodes.
edge_load(G[, nodes, cutoff]) Compute edge load.

参看文献：
http://networkx.github.io/
https://github.com/networkx/networkx
https://networkx.github.io/documentation/stable/tutorial/index.html
https://bigdata-ny.github.io/2016/08/12/graph-of-thrones-neo4j-social-network-analysis/
https://blog.csdn.net/nnnnnnnnnnnny/article/details/53701277

知识图谱之社交网络分析（SNA）之python处理相关推荐

技术论坛 | CCF YOCSEF上海即将在 CNCC 举办“知识图谱遇见社交媒体”专题论坛
中国计算机学会青年计算机科技论坛 CCF YoungComputer Scientists & Engineers Forum CCF YOCSEF上海 CNCC2017大会技术论坛主题: ...
电网知识图谱项目总结（1）python代码实现RDF三元组自动化标注
电网知识图谱项目总结(1)python代码实现RDF三元组自动化标注文章目录电网知识图谱项目总结(1)python代码实现RDF三元组自动化标注简介文档内容 RDF规范标注思路代码结构详 ...
基于自杀领域个性化知识图谱的社交媒体自杀意念检测
©PaperWeekly 原创 · 作者|曹檑学校|清华大学博士生研究方向|自然语言处理论文标题: Building and Using Personal Knowledge Graph to ...
知识图谱实战（03）：python操作neo4j实战
Python操作Neo4j例子(官方版本) Neo4j的Python版本驱动 Neo4j 提供了一个Python版本的驱动包,用来连接Neo4j数据库,从而完成图数据库的增删改查操作. 1.安装指定版 ...
社交网络分析SNA——Pajek使用教程（网络描述统计+中心性及子群分析）
本文所有操作均基于Pajek5.11版本实现,也可官网下载最新版本,差别不大→Pajek下载地址目录一.如何画一个现有网络? 二.如何交互式构建一个网络? 三.Pajek中如何进行自动布局? 四. ...
基于金融知识图谱的会计欺诈风险识别方法
点击上方蓝字关注我们基于金融知识图谱的会计欺诈风险识别方法陈强1, 代仕娅2 1 兴业银行信息科技部,上海 201201 2 蚂蚁科技国际事业群数据算法技术部,上海 200120 摘要:针对商业银 ...
CNCC 技术论坛 | 知识图谱赋能数字经济
2018中国计算机大会(CNCC2018)将于10月25-27日在杭州国际博览中心(G20会场)举行,大会主题为「大数据推动数字经济」(Big Data Drives the Digital Econ ...
[Pyhon大数据分析] 五.人民网新闻话题抓取及Gephi构建主题知识图谱
该系列文章是Python大数据分析系列博客,包括网络爬虫.可视化分析.GIS地图显示.情感分析.舆情分析.主题挖掘.威胁情报溯源.知识图谱.预测预警及AI和NLP应用等.希望该系列文章对您有所帮助. ...
从知识图谱到事理图谱 | CNCC 2017
雷锋网AI科技评论按:由中国计算机学会(CCF)主办,福州市人民政府.福州大学承办,福建师范大学.福建工程学院协办的 2017 中国计算机大会(CNCC 2017)于 10.26-10.28 日在福州 ...
刘挺 | 从知识图谱到事理图谱
本文转载自 AI科技评论. 在"知识图谱预见社交媒体"的技术分论坛上,哈尔滨工业大学刘挺教授做了题为"从知识图谱到事理图谱"的精彩报告.会后AI科技评论征得刘挺 ...

知识图谱之社交网络分析（SNA）之python处理