一个月前用R语言练习社交网络分析。现在我总结一下。 这里的有效信息包括线条粗细、箭头方向、节点大小和节点颜色。 这是结果图。字母代表不同的人，连线代表两个人的接触(可以用电话来代表)，箭头代表接触的方向。如果一条线上有双向箭头，比如A和C，说明两个人都给对方打过电话，两个方向都有接触。 如果只有单向箭头，比如B和G，说明B调用了G，G没有调用B，所以是单向接触。 因此，双向接触可以明显看出两者的关系更加密切。 除了单触点和双触点可以表示它们之间的关系外，线条的粗细表示它们之间的接触频率。 显然，线越粗，频率越高，两者关系越密切。 因此，根据单向/双向联系和频率两个维度，可以简单地将人际关系分为四种类型。 1.低频，单向触点2。低频，双向接触3。高频，单向接触4。高频，双向接触如果从亲密度来说，2或3更亲密，可能需要进一步分析。 但实际上，这四种类型可以用来表示除亲密关系之外的很多其他关系，取决于你感兴趣的话题和领域。 此外，不同大小的节点也代表不同的信息。 节点越大，它的联系人就越多。 就人际关系而言，节点越大，这个人的朋友圈越高，这个人可以视为一个中心节点。 此外，在这个例子中，节点的不同颜色代表不同的区域或面积。这个例子有三种颜色，这意味着所有人都来自这三个地区。 通过颜色可以清楚地看出这个网络中哪个区域的人数最多，也可以验证是否存在区域联系:如果这个社交网络中的人更注重区域概念，那么这些人就更容易根据区域差异形成不同的网络。 以下是代码部分:# #准备工作df < -data.frame(S=c("A "，" B "，" C "，" C "，" D "，" C ")，D=c("C "，" G "，" E "，" A "，" F "，" L ")，N=c("3 "，" 4 "，" 9 "，" 4 "，" 6 "，" 2"))as_data_frame(df，what = C(" both "))net _ PC & lt；-graph _ from _ data _ frame (df，directed = true，vertices = null) # # directed = true表示直线具有方向性。如果没有方向性，可以设置为nullnet _ pcv(net _ PC)e(net _ PC)plot(net _ PC)# #设置权重(确定线的粗细)e(。-df$NE(net_pc)$weight##增加地理信息位置<-data.frame(b=c("d "，" a ")，loc=c("west "，" west "，" north "，" north "，" south "，" south "，" west "，" west "))fac _ loc & lt；-factor(location $ loc)V(net _ PC)$ location & lt；-fac_locV(net_pc)$location##设置点的大小/中心度deg <-deg(net _ PC，mode="all")##设置颜色Vcolor < -C("橙色"、"红色"、"浅蓝色"、"黄色")V color[1]V(net _ PC)$ location[1]# #指定节点的颜色V(net _ PC)[V(net _ PC)$ location % in % 1]$ color &-Vcolor[1]V(net _ PC)$ location-vcolor[2]V(net _ PC)[V(net _ PC)$ location % in % 3]$ color & lt；-vcolor[3]##指定边的宽度，等于权重E(net _ PC)$ width <-E(net _ PC)$ weight # #开始绘制Plot (net _ PC，vertex.size = 5 * deg，vertex.label.cex = .9，vertex.label.dist = 2，edge.color = "gray50 "，edge.arrow.size = 1。Edge.curve=.3)##再加一个legend Legend (x = 1.5，y = 1.5，inset = 0.5，title = "region "，C ("north "，" south "，" west ")，PCH = 21，Col = " # 77777 "-data . frame(name = C(" Alice "，" Bob "，" Cecil "，" David "，" Esmeralda ")，年龄=c(48，33，45，34，21)，性别=c("F "，" M "，" F "，" F "，" M "，" M "，" F "))关系& lt- data.frame(from=c("Bob "，" Cecil "，" Cecil "，" David "，" David "，" Esmeralda ")，to=c("Alice "，" Bob "，" Alice "，" Alice "，" Bob "，" Alice ")，same.dept=c(FALSE，FALSE，TRUE，FALSE，FALSE，TRUE)，友情=c(4，5，5，2，1，1)，建议=c(4，5，5，4，2，3))g & lt；-graph _ from _ data _ frame(relations，directed=TRUE，vertices = actors)gplot(g)E(g)$ weight
