作者Luther 弓
网络图在社交关系分析中最常见，直观明了，很受欢迎。但在产品分析中，网络图同样有很多应用场景，比如分析各个功能模块或打点之间的关系，用户在各个功能上的行为分布等。它与路径图的区别在于，行为路径是单向的，是一个动态的流；而网络图主要描述的是静态关系或分布，虽然也可以有方向，但只是描述两个点之间的相向关系。
R语言有两个包可以实现网络图，一是networkD3，二是igraph。个人认为后者更容易上手，效果较好，也更灵活。igaph是一个项目，目标是建立一条简单，易用的网络分析工具，有 R, python, C/C++ 等语言的具体实现。
1、数据准备
网络图最基本的两个元素是节点/顶点（vertice） 和 边（edge），如下图。圆圈就是节点，节点之间的连线就是边。节点可以是包括人在内的任何实体，而边则是关系，这种关系也可以是任何互动，比如对话、拜访、资金往来、用户跳转等。边是可以有方向的，比如张三主动和李四攀谈，那方向就是张三到李四。
所以数据应是下面这样的：
首先是两个数据文件，边数据和点数据。当然，点数据不是必须的，如果作图不涉及点的属性，这个就没必要。
边数据的结构如下：一共三列，from（来源列，当然也可以取其他名称）、to（去向列）、fre（频次）。频次可以没有，因为我这里把相同的边去重了，所以加了频次。如果不去重，程序也可以计算频次。不过我建议还是去重加频次，这样看着清晰些。另外，fre列数据也可以换成权重数据，比如某个边对你很重要，这样后面作图时可以根据权重把相应的做边加粗处理。
点数据比较灵活，除了第一列是点本身外，可以放很多属性数据，如分组、性别年龄等。另外，点也可以是中文，如下图示例。
在这里，我用的是用户APP打点行为数据作为案例演示。数据中的点即每个打点，边即用户在打点之间的跳转，fre即跳转的次数，leixing即每个点所属的功能模块。下面是具体的实现方式
2、网络图的R语言实现及代码说明
library(igraph)
#1)导入边数据和节点数据
edges <- read.table('C:\\Users\\lenovo\\Desktop\\edges.csv', header=T, sep=',') #导入边数据，里面可以包含每个边的频次数据或权重
vertices <- read.table('C:\\Users\\lenovo\\Desktop\\vertices.csv', header=T, sep=',') #导入节点数据，可以包含属性数据，如分类
#2)导入数据后，要转化成图数据才能用R作图，不同数据格式用不同方式
#graph_from_literal 通过文字创建，graph_from_edgelist通过边列表（矩阵）创建，graph_from_adj_list通过邻接列表（矩阵）创建
#graph_from_adjacency_matrix 通过邻接矩阵（所有点的纵横矩阵）创建，graph_from_incidence_matrix通过关联矩阵（两组内部独立点的矩阵）创建
#graph_from_data_frame通过数据框创建，详细介绍可参见《igraph manual》http://igraph.org/r/doc/igraph.pdf
#这里数据格式是数据框，所以用graph_from_data_frame
graph <- graph_from_data_frame(edges, directed = TRUE, vertices=vertices) #directed = TRUE表示有方向,如果不需要点数据，可以设置vertices=NULL
#3)转换完成后，有两种生成方式，一是直接plot,参数放里面；二是通过修改图的方式设置参数，然后plot
#生成方式1：
plot(graph,
layout=layout.fruchterman.reingold, #layout.fruchterman.reingold表示弹簧式发散的布局，
#其他还有环形布局layout.circle，分层布局layout.reingold.tilford，中心向外发散layout.reingold.tilford(graph,circular=T) ，核心布局layout_as_star，大型网络可视化layout_with_drl
vertex.size=15, #节点大小
vertex.shape='circle', #节点不带边框none,,圆形边框circle,方块形rectangle
vertex.color="yellow",#设置颜色，其他如red,blue,cyan,yellow等
vertex.label=NULL, #NULL表示不设置，为默认状态，即默认显示数据中点的名称，可以是中文。如果是NA则表示不显示任何点信息
vertex.label.cex=0.8, #节点字体大小
vertex.label.color='black', #节点字体颜色,red
vertex.label.dist=0.4, #标签和节点位置错开
edge.arrow.size=0.3,#连线的箭头的大小,若为0即为无向图，当然有些数据格式不支持有向图
edge.width = 0.5, #连接线宽度
edge.label=NA, #不显示连接线标签，默认为频次
edge.color="black") #连线颜色
#生成方式2：
set.seed(50) #生成随机数，这样图的布局就会可重复，而不是每次生成的时候都变
l<-layout.fruchterman.reingold(graph) #设置图的布局方式为弹簧式发散的布局
#具体修改过程
V(graph)$size <- degree(graph)*2+5 #节点大小与点中心度成正比，中心度即与该点相连的点的总数
colrs <- c("gray50", "tomato", "orange", "red", "yellow")
V(graph)$color <- colrs[V(graph)$leixing] #根据类型设置颜色,按照类型分组
V(graph)$label.color <- 'black' #设置节点标记的颜色
E(graph)$width <- E(graph)$fre #根据频次列设置边宽度
E(graph)$label <- E(graph)$fre #根据频次列设置边标签
E(graph)$arrow.size=0.3 #设置箭头大小
#生成图
plot(graph, layout=l)注意：方式2比方式1更加灵活，尤其是在设置不同分类节点颜色的时候
3、生成结果
方式1生成结果：
方式2生成结果：
不同颜色代表打点所属功能模块
本文来自简书，观点不代表一起大数据-技术文章心得立场，如若转载，请注明出处：https://zhuanlan.zhihu.com/p/40250289
