社会网络分析中的基本概念
作者：数据猿Riggle来源：文科数据员经过前两篇的学习，我们已经对社会网络分析有一个模糊概念了。社会网络分析(一) | python的Networkx库基础知识社会网络分析(二) | ...
作者：数据猿Riggle
来源：文科数据员
经过前两篇的学习，我们已经对社会网络分析有一个模糊概念了。
社会网络分析(一) | python的Networkx库基础知识
今天数据猿就整理了一下社会网络分析的基本概念，阅读时可不求甚解，遇到实际问题再进一步深究。
本文目录如下——
度
每一个节点连接的所有边的数量，包括出度和入度。一般来说，无向图中就是所有边的数量，在有向图中就是出度和入度之和。
出度
从该节点连出的边的数量
入度
从该节点连入的边的数量
平均度
网络中的平均度等于度除以节点数量。
无向图中，平均度=度总数/节点数量
有向图中，出度总数等于入度总数，平均度=出度总数/节点数量
平均加权度
在统计节点度时，也考虑边的权重。边权重非1情况时，就不能套用平均度的公式，需要加权计算。
边
可简单理解为和所有节点连接线
边的权重
每条边与之对应的值。因计算方式和意义而异。如边上是距离，权重就是距离。如果是社区探测，就是社区的联系程度。
中心性
计算出网络直径等网络的边的特性后，就可以计算出中介中心度（Betwenness Centrality）、亲密中心度（Closeness Centrality）、离心度（Eccentricity），还有新增的Harmonic closeness Centrality等。在Gephi中，
度中心性（Degree Centrality）
单纯的数量来衡量。又叫点度中心度，度越多，就越大。
接近中心性（Closeness Centrality）
一个节点能到达节点的数量除以所能到达节点的最短路径之和。
简单理解为与其他中心的中心性。接近中心性的值为路径长度的倒数。接近中心性需要考量每个节点到其它节点的最短路的平均长度。也就是说，对于一个节点而言，它距离其它节点越近，那么它的中心度越高。
中介中心性（Betweenness Centrality）
统计某个节点被其他节点，以最短路径通过的数量与图中最短路径总数之比。
一个结点充当“中介”的次数越高，它的中介中心度就越大。
离心度
从一个节点所有可以到达的节点中，找出最长的最短路径。即一个节点所能达到的最大的最短路径。
特征向量中心性（Eigenvector Centrality）
一个节点的重要性既取决于其邻居节点的数量（即该节点的度），也取决于其邻居节点的重要性。核心思想就是，一个重要的节点不仅与其他许多节点有连接，而且与他相连的节点也是比较重要的节点。
图密度
实际有的边数与最大可能边数之比。比如，3个节点，可只有一条边。那么图密度就是1/6.
连接组件
可以确定一个图中连接组件的数量。
无向图中，如果所有的节点都可以连通，称为为连通图。
有向图中，从任何一个节点沿着边的方向都可以到达任何一个节点，因此被称为强连通图。弱连通图是有部分节点可以沿着边的方向到达任何一个节点。
社会网络分析算法
模块化（社区探测算法）
根据图的连接关系对节点做归类，类型相同的节点会增加一个字段，用相同的数字表示。模块化在社会学中可以用于社区发现。
衡量网络图结构的模块化程度。一般>0.44 就说明该网络图达到了一定的模块化程度 。
Pagerank
是一种根据网页之间的链接关系对网页的重要性进行评分的算法。
平均聚类系数
聚类系数：一个节点一度连接的节点中，实际的边数与最大边数之比。
比如4个节点，从其中一个节点a出发，连接了5条，有1条对角线没有。实际边数就是没有直接相连的两个节点通过a的对点连接的两条边。那么节点a的平均聚类系数就是实际边数2/最大边数3。
路径长度
网络整体会统计图的直径（Diameter）、半径（Radius）、平均路径长度（Aerage Path Length），三个指标都与最短路径数（Number of shortest paths）有关。
最短路径
如下图所示，如果节点2要到节点1,最短路径不是2→3→4→5→1，而是2→3→5→1。
网络直径
一个网络中，所有最短路径的最大值。
平均路径
一个网络中，所有最短路径之和的平均值等于这个网络的平均路径长度。平均路径长度是整个网络的一个指标。
往期好文：
社会网络分析(一) | python的Networkx库基础知识
社会网络分析(二) | 论文阅读：中国与国际媒体互引的社会网络分析
python办公自动化(一) | chardet库自动读写多编码格式的文件
参考资料：
刘勇,杜一.网络数据可视化与分析利器：Gephi 中文教程（全彩）[M]. 北京:电子工业出版社.2017
Vincent D. Blondel, Jean-Loup Guillaume, Renaud Lambiotte, Etienne Lefebvre - Fast unfolding of communities in large networks (2008)
文字编辑：数据猿Riggle
首发平台：公众号：文科数据员（HSS_data)
◆ ◆ ◆ ◆ ◆
麟哥新书已经在当当上架了，我写了本书：《拿下Offer-数据分析师求职面试指南》，目前当当正在举行活动，大家可以用原价5折的预购价格购买，还是非常划算的：
点击下方小程序即可进入购买页面：
数据森麟公众号的交流群已经建立，许多小伙伴已经加入其中，感谢大家的支持。大家可以在群里交流关于数据分析&数据挖掘的相关内容，还没有加入的小伙伴可以扫描下方管理员二维码，进群前一定要关注公众号奥，关注后让管理员帮忙拉进群，期待大家的加入。
管理员二维码：
猜你喜欢
● 麟哥拼了！！！亲自出镜推荐自己新书《数据分析师求职面试指南》
● 你相信逛B站也能学编程吗
点击阅读原文，即可参与当当5折购书活动
瓜分20万奖金 获得内推名额 丰厚实物奖励 易参与易上手
更多推荐
11
0- 0
已为社区贡献8条内容
所有评论(0)