处理数据

链接：https://pan.baidu.com/s/11mzYYnU4DBucH0lUhvXrrw 密码：wgbr

操作流程

统计分析→外观→布局→过滤

：

具体操作步骤：

打开honglou_edge.csv与honglou_node.csv节点

显示标签

统计分析：

模块化计算

外观

设置：我们这里节点本身颜色与标签颜色都选择的Modularity Class,节点大小与标签尺寸都选择的度

节点——颜色

节点——大小

节点——标签颜色

节点——标签尺寸

布局

过滤

目的：取一些小点的度和大点的度，过滤掉中间的度

步骤：将拓扑---度范围，拉入到查询里面，然后进行度范围设置，最终进行选择

目的：将2个度范围进行并集运算

步骤：将拓扑---并集，拉入查询里面，然后将两个度范围拉入并集里

预览

在下图主要点击节点标签里面的字体与比例大小就行

结果分析

统计分析里面的不同算法→选择不同的渲染模式→最终图形，因此我们需要搞懂算法原理，才能进一步分析

1由于我们节点本身大小与节点标签尺寸都是选择Rank中的度，所以由图可以明显看出谁的度越大，说明在个图中与其他点联系越大，作用越大

2由于我们节点本身颜色和标签颜色的渲染方式都选的模块化，所以整个图以度大的节点最终呈现出社区稳定

对上面操作流程的进一步理解：

统计分析

模块化：Modularity Measure(模块化度量值），由Newman等人提出，是目前常用的一种衡量网络中社区稳定度的方法。

定义：

模块度值的大小主要取决于网络中结点的社区分配C，即网络的社区划分情况，可以用来定量的衡量网络社区划分质量，其值越接近1，表示网络划分出的社区结构的强度越强，也就是划分质量越好。因此可以通过最大化模块度Q来获得最优的网络社区划分。

PageRank

PageRank算法主要应用在搜索引擎的搜索功能中，其主要用来计算网页的重要程度，将最重要的网页展示在网页的前面，此算法主要围绕以下两个假设：

①如果存在一个网页，它被许多其他的链接链接到，则说明这个网页比较重要，则此网页的PageRank值比较高。
②如果存在一个网页，它本身的PageRank值比较高，且此网页又链接了一个网页，则这个被链接的网页比较重要，其PageRank值较高。

外观：

度（degree）—— 一个节点有 n 条边即度数为 n

布局：

Force Atlas:

基于力导向 (Force-directed) 的算法作为弹簧理论算法的一类典型，被广泛应用于描述社交网络等关系型信息图。它的原理其实非常易懂，我们可以把整张网络想象成一个虚拟的物理系统。系统中的每个节点都可以看成是一个带有一定能量的放电粒子，粒子与粒子之间存在某种库仑斥力，使它们两两相互排斥。同时，有些粒子间被一些“边”所牵连，这些边产生类似弹簧的胡克引力，又紧紧牵制着“边”两端的粒子。在粒子间斥力和引力的不断作用下，粒子们从随机无序的初态不断发生位移，逐渐趋于平衡有序的终态。同时整个物理系统的能量也在不断消耗，经过数次迭代后，粒子之间几乎不再发生相对位移，整个系统达到一种稳定平衡的状态，即能量趋于零。此刻，最终的这幅理想的社交网络图也基本绘制完成。

基本上绝大多数算法都遵循着这样的原则，即：

将网络看成一个顶点为钢环，边为弹簧的物理系统
不断迭代，使整个系统的总能量达到最小

清单. 力导向核心算法实现伪代码

Set up initial node positions randomly Loop for k For each node u For each node v net-force += Coulomb_repulsion( u, v ) End For End For For each edge e compute net-force += Hooke_attraction( u1, u2 ) // u1, u2 is start and end node of edge e End For Update x and y values with each net-force // every node has its own net-force End Loop

伪代码的整体思想归纳如下：

随机分布初始节点位置；
计算每次迭代局部区域内两两节点间的斥力所产生的单位位移（一般为正值）；
计算每次迭代每条边的引力对两端节点所产生的单位位移（一般为负值）；
步骤 2、3 中的斥力和引力系数直接影响到最终态的理想效果，它与节点间的距离、节点在系统所在区域的平均单位区域均有关，需要开发人员在实践中不断调整；
累加经过步骤 2、3 计算得到的所有节点的单位位移；
迭代 n 次，直至达到理想效果。

Gephi简易学习[五]———— 分析红楼梦数据，了解Gephi操作流程相关推荐

Gephi简易学习[六]———— 拓展分析红楼梦数据
拓展分析:我们需要在下面操作流程某一步进行改动,然后看看对结果有什么影响操作流程统计分析→外观→布局→过滤 Gephi简易学习[五]---- 分析红楼梦数据,了解Gephi操作流程中的最终结果 ...
代码实现 | LDA方法分析红楼梦各回主题
文章目录 1 数据预处理 1.1 准备工作 1.2 读入文本 1.3 分词.去停词 2 基本情况 2.1 全文词频及词云图 2.2 人物出场情况 2.3 宝玉的cp 3 LDA分析红楼梦各回的主题 3 ...
android webrtc学习五（webrtc视频数据传递和切换摄像头问题处理）
android webrtc学习五(webrtc视频数据传递和切换摄像头问题处理) Android webrtc摄像头流程分析 1.打开摄像头 2.获取流数据摄像头切换问题场景:在使用华为手机(忘 ...
红楼梦人物分析系统c语言,Gephi分析红楼梦
前言上一周赶了好久的社会网络计算,貌似是第四周还是第五周的时候,那时候我们就把题目定下来了吧,然后一直拖着没有做.其中的原因多种多样 ,其实也可以说没有什么原因,就是不想做而已,然后就假装忘记233 ...
python红楼梦人数统计结果_Python学习分析红楼梦社交网络，意外发现一个有影响力的神秘人物...
前言这次我们将分析整个红楼梦的社交网络.我们尝试用算法去寻找红楼梦中最重要的人物,最有权势的人物,以及一些关系亲密的小团体.看看都有哪些有趣的发现吧. 社交网络据统计,红楼梦中出场人数共有四百四十 ...
红楼梦人物出场顺序python_Python 中文词频分析——红楼梦人物出场次数
本篇文档,带大家用Python做一下词频统计本章需要用到Python的jieba模块 jieba模块是一个经典的用于中文分词的模块首先呢我们需要读取文章的内容,并用jieba库的lcut进行分词 ...
使用word2vec分析红楼梦中的人物
上周四给陈老大和几个研究生汇报工作,主要讲了word2vec的应用,陈老大他们觉得这个东西很牛逼,汇报结束之后陈老大让我拿红楼梦来训练,看看这样能不能发现红楼梦中的人物关系,目前清华有个实验室试图用机 ...
使用NLP库textblob进行情感分析-红楼梦评论
最近做了一个分析国外读者对红楼梦评价的小项目.这部分是使用textblob库对评论进行情感分析,得到情感值,并且进行分类,生成词云. 生成直方图.条形图的数据分析过程见我的这篇文章读入的数据是这样的 ...
NLP(4) | 用词向量技术简单分析红楼梦人物关系用n-gramma生成词向量word2vect进行模型训练
NLP(1) | 词向量one hot编码词向量编码思想 NLP(2) | 中文分词分词的概念分词方法分类CRFHMM分词 NLP(3)| seq to seq 模型前言:出于种种原因,总是不自觉把 ...

Gephi简易学习[五]———— 分析红楼梦数据，了解Gephi操作流程