几年前，我疯狂地阅读 系列丛书，发现自己很难记住所有角色。（这并不奇怪——该系列中有超过 150 个有名字的角色！）我不断地在各个章节之间来回浏览，或者不断地查阅 维基百科来记住情节。我需要一张思维导图——肯定有更好的方法来 这些角色吧？  《权力的游戏》 《冰与火之歌》 形象化 基础 下图是 ，展示了维基百科编辑对不同语言的贡献。通过这个例子，我们可以了解一些图论概念的基础知识（或者，如果你已经熟悉的话，可以快速复习一下）：  维基百科的一个示例网络图 圆圈代表文章所用的语言，是图的“顶点”（可互换称为“节点”）。  “边”是连接每对顶点的线。图中的每条边都是通过将一对顶点映射到一条边的关联函数确定的。 在这个例子中，每条边（通过线宽或厚度）表示为该线连接的 语言做出贡献的编辑者数量。这就是我们所说的无向简单图。“无向”表示 {en--> fr} 和 {fr --> en} 相同，“简单”表示每对顶点之间只有一条边连接。该图也是“加权的”，这意味着边的厚度与顶点之间的关系 有关。在这个例子中，加权关联函数可能看起来像这样：  两种 强度 虽然以这种方式对图形进行可视化表示是一种直观的方法，可以快速显示关系以便于理解，但将数据集表示为图形对象可以让我们获得更丰富的见解。 获取汉密尔顿数据集的数据 “在数据科学中，80% 的时间都花在准备数据上，20% 的时间都花在抱怨需要准备数据上。” 数据科学家可能不会在所有事情上达成一致——但我们一致认为，任何项目中最困难的部分是获取数据。幸运的是，这篇文章已经解决了这一问题。Kaggle 上有一个干净的 ，您可以轻松下载并开始绘制图表。  汉密尔顿 歌词 数据集 探索性分析 这就是 数据集的样子。  汉密尔顿 每个角色/歌曲/歌词都有一行记录。 ——指歌曲的名称。 标题 ——指的是唱特定台词的角色。 说话人 ——指歌曲中的特定歌词。 歌词 构建邻接矩阵 为了构建所有 发言人的网络图，必须定义以下内容： 汉密尔顿 节点（发言者名单） 边缘（连接每对扬声器） 关联函数将每对顶点映射到一条边（带有可选权重） 我选择的关联函数是 。我的假设是两个角色一起出现的歌曲越多，他们的关系就越强。 每对说话者一起出现的歌曲数量   Weight {speaker,x, speaker,y} = #songs that feature both speaker,x and speaker,y 使用 R 的 dplyr，我可以将原始数据集转换为 实体，然后将其转换为邻接矩阵。然后我可以使用 中的 graph.adjacency 从此邻接矩阵创建一个“图形对象”，然后我可以将其用于绘图和其他分析。 **{src, dest, weight}** R 的 igraph 包 可视化网络图 可以使用 函数可视化 graph_obj。由于此函数有许多自定义布局可供选择，因此我首先使用“星型”布局渲染同一张图。 plot.igraph 从技术上讲，结果是一个网络图。但有可能做得更好吗？上面的图表似乎表明所有顶点和边都具有同等重要性——但这破坏了可视化社交网络的整个意义。有些角色确实更“重要”，有些说话者与其他人的关系更密切。 该图表如何反映这一点？ 这就是 和 发挥作用的地方。我首先尝试使用 函数的参数，使  （即图中边的粗细）与权重相关，使  （即顶点的字体大小）与度相关。  边权重 顶点 度 plot.igraph edge.width vertex.label.cex 好多了！等级越高的角色在视觉上就越大，而且从线条的深浅也可以看出强弱关系之间的区别。这种迭代更加直观，让观众可以立即掌握角色之间的关系。考虑到乔治国王的歌曲总是（非常有趣的）独白，所以他是一个孤独的节点也是很合适的。  您还可以使用 R 中的 库来制作 网络图。该库可以放大和缩小图形的多个部分（对于特别大的图形尤其有用），并且支持 Shiny。 visNetwork 交互式 中心性度量 是图论中的一个关键概念，用于识别节点的重要性： 中心性 ：这是衡量连接到每个节点的边的数量的指标。 度中心性 ：这是衡量一个节点的“连接性”程度、连接共享的链接数等的指标。它识别对整个网络有影响力的节点，而不仅仅是直接连接到网络的节点。 特征中心性 这实际上是给定节点与其他节点 距离，以及充当各种网络集群之间的“桥梁”的程度。它是衡量每个顶点对网络其余部分的“影响力”的指标。 中介中心性： 之间的 我可以使用 igraph 的 degree()、betweenness() 和 eigen_centrality() 函数来获取生成的图的中心性： 在我们的图表中，Aaron Burr 似乎具有最高的 （“桥梁”），而 Hamilton 具有最高的 （“影响者”）。您可以自行决定。 中介中心性 特征向量中心性 结论 网络图的商业应用有很多： 社交网站利用网络图来创建相似用户的社区并提供有针对性的推荐。“推荐好友”功能背后的算法的基本实现可能如下所示：“Alice 的十个密友中有九个也是 Bob 的朋友 -> 向 Alice 推荐 Bob 作为潜在朋友。” 绘制从地点 X 到地点 Y 的最短距离的应用程序（例如地图、拼车服务、送货卡车的供应链和物流等）可能会使用“最短路径”算法的变体，在计算机科学中通常称为 。 旅行商问题 网络理论是自然语言处理 (NLP) 中词汇和语义处理的关键组成部分，而聊天机器人和虚拟助手（如 Alexa、Cortana、Siri，甚至 IBM 的  ，这是一款远非简单的双关语和文字游戏。 Watson 赢得了 Jeopardy!） 像 这样的名人派对游戏就使用了网络图。 “六度空间之凯文·贝肯” 在流行病学中，中心性测量可用于识别流行病或“超级传播者”事件的起源。 如果你仔细想想，互联网就是一个由不同网站组成的庞大网络。搜索引擎利用 测量来返回与特定搜索查询最相关的页面。 知识图谱 尽管网络图很有趣，但值得注意的是，在生产中使用网络图并非没有缺点。例如，它们可能占用大量资源。与任何矩阵运算一样，可扩展性和性能有时会受到影响。还有一个“冷启动”问题——如果您的数据集太稀疏或实体之间没有太多关系，网络图就不是一种有效的解决方案。然而，如果在正确的环境中正确使用，它们对企业来说是有价值的。    • 代码： https://github.com/iswaryam/hamilton/   数据集来源： https://www.kaggle.com/lbalter/hamilton-lyrics# 如果您是一名 Potterhead，请查看我的 GitHub - 我也使用类似的方法绘制了 的人物图表。 哈利波特

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

該音頻是用故事的原始語言製作的！

网络图分析：将汉密尔顿特征可视化为社交网络

About Author

註釋

標籤

这篇文章刊登在

Related Stories

架构师指南：构建 AI/ML 数据湖参考架构

比特币 UTXO 模型，为独特的生态系统提供动力

如何将您的工作流程提高 10 倍：17 个必备应用程序

加密货币增长：创建有效的用户角色

架构师指南：构建 AI/ML 数据湖参考架构

比特币 UTXO 模型，为独特的生态系统提供动力

如何将您的工作流程提高 10 倍：17 个必备应用程序

加密货币增长：创建有效的用户角色

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps