name: 网络分析 description: 分析网络结构，识别社区，测量中心性，并为社交网络和组织结构可视化关系

网络分析

Name: 网络分析
Rating: 5 (1 reviews)

概览

这项技能能够分析网络结构，识别社区，测量中心性，检测有影响力的节点，并为社交网络、组织结构和互联系统可视化复杂关系。

使用场景

分析社交网络以识别有影响力的用户和社区结构
映射组织层级并识别关键连接点或瓶颈
研究引用网络以找到有影响力的研究论文和合作模式
基于网络关系和相似性构建推荐系统
分析供应链网络以优化物流并识别漏洞
通过金融交易网络分析检测欺诈模式

网络概念

节点：个体实体
边：连接/关系
度：连接数
中心性：节点重要性度量
社区：密集连接的群体
聚类系数：局部密度

关键指标

度中心性：连接数
中介中心性：路径控制
接近中心性：到其他节点的平均距离
特征向量中心性：与重要节点的连接
模块化：社区结构强度

使用Python实现

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import networkx as nx
from collections import defaultdict, Counter
import seaborn as sns

# 创建样本网络（社交网络）
G = nx.Graph()

# 添加带有属性的节点
nodes = [
    ('Alice', {'role': 'Manager', 'dept': 'Sales'}),
    ('Bob', {'role': 'Engineer', 'dept': 'Tech'}),
    ('Carol', {'role': 'Designer', 'dept': 'Design'}),
    ('David', {'role': 'Engineer', 'dept': 'Tech'}),
    ('Eve', {'role': 'Analyst', 'dept': 'Sales'}),
    ('Frank', {'role': 'Manager', 'dept': 'HR'}),
    ('Grace', {'role': 'Designer', 'dept': 'Design'}),
    ('Henry', {'role': 'Engineer', 'dept': 'Tech'}),
    ('Iris', {'role': 'Analyst', 'dept': 'Sales'}),
    ('Jack', {'role': 'Manager', 'dept': 'Finance'}),
]

for node, attrs in nodes:
    G.add_node(node, **attrs)

# 添加边（关系）
edges = [
    ('Alice', 'Bob'), ('Alice', 'Carol'), ('Alice', 'Eve'),
    ('Bob', 'David'), ('Bob', 'Henry'), ('Carol', 'Grace'),
    ('David', 'Henry'), ('Eve', 'Iris'), ('Frank', 'Jack'),
    ('Grace', 'Carol'), ('Alice', 'Frank'), ('Bob', 'Carol'),
    ('Eve', 'Alice'), ('Iris', 'Eve'), ('Jack', 'Frank'),
    ('Henry', 'David'), ('Carol', 'David'),
]

G.add_edges_from(edges)

print("网络摘要：")
print(f"节点：{G.number_of_nodes()}")
print(f"边：{G.number_of_edges()}")
print(f"密度：{nx.density(G):.2%}")

# 1. 度中心性
degree_centrality = nx.degree_centrality(G)
print("
1. 度中心性（前5名）：")
for node, score in sorted(degree_centrality.items(), key=lambda x: x[1], reverse=True)[:5]:
    print(f"  {node}: {score:.3f}")

# 2. 中介中心性（控制网络）
betweenness_centrality = nx.betweenness_centrality(G)
print("
2. 中介中心性（前5名）：")
for node, score in sorted(betweenness_centrality.items(), key=lambda x: x[1], reverse=True)[:5]:
    print(f"  {node}: {score:.3f}")

# 3. 接近中心性（到其他节点的平均距离）
closeness_centrality = nx.closeness_centrality(G)
print("
3. 接近中心性（前5名）：")
for node, score in sorted(closeness_centrality.items(), key=lambda x: x[1], reverse=True)[:5]:
    print(f"  {node}: {score:.3f}")

# 4. 特征向量中心性
try:
    eigenvector_centrality = nx.eigenvector_centrality(G, max_iter=100)
    print("
4. 特征向量中心性（前5名）：")
    for node, score in sorted(eigenvector_centrality.items(), key=lambda x: x[1], reverse=True)[:5]:
        print(f"  {node}: {score:.3f}")
except:
    print("
4. 特征向量中心性：未收敛")

# 5. 社区检测（使用模块化）
from networkx.algorithms import community

communities = list(community.greedy_modularity_communities(G))
print(f"
5. 社区检测：")
print(f"社区数量：{len(communities)}")
for i, comm in enumerate(communities):
    print(f"  社区 {i+1}: {list(comm)}")

# 6. 网络统计
degrees = [G.degree(n) for n in G.nodes()]
print(f"
6. 网络统计：")
print(f"平均度：{np.mean(degrees):.2f}")
print(f"最大度：{max(degrees)}")
print(f"最小度：{min(degrees)}")
print(f"聚类系数：{nx.average_clustering(G):.3f}")
print(f"三角形数量：{sum(nx.triangles(G).values()) // 3}")

# 可视化
fig, axes = plt.subplots(2, 2, figsize=(15, 12))

# 网络布局
pos = nx.spring_layout(G, k=0.5, iterations=50, seed=42)

# 1. 网络图（按度中心性着色）
ax = axes[0, 0]
node_colors = [degree_centrality[node] for node in G.nodes()]
nx.draw_networkx_nodes(G, pos, node_color=node_colors, node_size=1000, cmap='YlOrRd', ax=ax)
nx.draw_networkx_edges(G, pos, alpha=0.5, ax=ax)
nx.draw_networkx_labels(G, pos, font_size=8, ax=ax)
ax.set_title('网络图（按度中心性着色）')
ax.axis('off')

# 2. 网络图（按社区着色）
ax = axes[0, 1]
color_map = []
colors = plt.cm.Set3(np.linspace(0, 1, len(communities)))
node_to_color = {}
for i, comm in enumerate(communities):
    for node in comm:
        node_to_color[node] = colors[i]
color_map = [node_to_color[node] for node in G.nodes()]

nx.draw_networkx_nodes(G, pos, node_color=color_map, node_size=1000, ax=ax)
nx.draw_networkx_edges(G, pos, alpha=0.5, ax=ax)
nx.draw_networkx_labels(G, pos, font_size=8, ax=ax)
ax.set_title('网络图（按社区着色）')
ax.axis('off')

# 3. 中心性比较
ax = axes[1, 0]
centrality_df = pd.DataFrame({
    '度': degree_centrality,
    '中介性': betweenness_centrality,
    '接近性': closeness_centrality,
}).head(8)

centrality_df.plot(kind='barh', ax=ax, width=0.8)
ax.set_xlabel('中心性得分')
ax.set_title('前8节点 - 中心性比较')
ax.legend(loc='lower right')
ax.grid(True, alpha=0.3, axis='x')

# 4. 度分布
ax = axes[1, 1]
degree_sequence = sorted([d for n, d in G.degree()], reverse=True)
degree_count = Counter(degree_sequence)
degrees_unique = sorted(degree_count.keys())
counts = [degree_count[d] for d in degrees_unique]

ax.bar(degrees_unique, counts, color='steelblue', edgecolor='black', alpha=0.7)
ax.set_xlabel('度')
ax.set_ylabel('计数')
ax.set_title('度分布')
ax.grid(True, alpha=0.3, axis='y')

plt.tight_layout()
plt.show()

# 7. 路径分析
print(f"
7. 路径分析：")
try:
    shortest_path = nx.shortest_path_length(G, 'Alice', 'Jack')
    print(f"从Alice到Jack的最短路径：{shortest_path}")
except nx.NetworkXNoPath:
    print("节点之间无路径存在")

# 8. 连通性分析
print(f"
8. 连通性分析：")
print(f"是否连通：{nx.is_connected(G)}")
num_components = nx.number_connected_components(G)
print(f"连通分量数量：{num_components}")

# 9. 相似性度量
def jaccard_similarity(node1, node2):
    neighbors1 = set(G.neighbors(node1)) | {node1}
    neighbors2 = set(G.neighbors(node2)) | {node2}
    intersection = len(neighbors1 & neighbors2)
    union = len(neighbors1 | neighbors2)
    return intersection / union if union > 0 else 0

print(f"
9. 节点相似性（Jaccard）：")
print(f"Alice & Bob: {jaccard_similarity('Alice', 'Bob'):.3f}")
print(f"Alice & Jack: {jaccard_similarity('Alice', 'Jack'):.3f}")

# 10. 影响力评分（组合度量）
influence_score = {}
for node in G.nodes():
    score = (degree_centrality[node] * 0.4 +
             betweenness_centrality[node] * 0.3 +
             closeness_centrality[node] * 0.3)
    influence_score[node] = score

print(f"
10. 影响力评分（前5名）：")
for node, score in sorted(influence_score.items(), key=lambda x: x[1], reverse=True)[:5]:
    print(f"  {node}: {score:.3f}")

# 总结
print("
" + "="*50)
print("网络分析总结")
print("="*50)
print(f"最有影响力的：{max(influence_score, key=influence_score.get)}")
print(f"连接最多的：{max(degree_centrality, key=degree_centrality.get)}")
print(f"网络瓶颈：{max(betweenness_centrality, key=betweenness_centrality.get)}")
print(f"最接近所有节点的：{max(closeness_centrality, key=closeness_centrality.get)}")
print("="*50)

中心性度量

度：仅直接连接
中介性：群体间的桥梁
接近性：网络的接入
特征向量：与重要节点的连接
PageRank：随机游走概率

社区检测

模块化优化：寻找密集群体
Louvain算法：层次社区
K-团：重叠社区
谱系：基于特征值

应用领域

社交网络分析
组织结构
引用网络
推荐网络
供应链分析

交付物

网络可视化
中心性分析
社区检测结果
连通性指标
影响力排名
关键节点识别
网络统计摘要