R 中的基本 SNA？ - 如何加载网络数据

Question

几年前，我使用 UCINET 进行一些社交网络分析。这些天我想再次使用 SNA - 但这次我更喜欢统一的分析框架 - 对我来说就是 R。

我已经查看了 sna 和 statnet 文档，但有点不知所措。

我想做的：首先：加载直接从网络调查（通常很有价值）中提取的二分/关联矩阵。将此矩阵转换为两个邻接矩阵（逐个隶属关系和逐个案例）。它也可以是一个有方向的、有价值的案例矩阵。

第二：加载顶点属性的文件（也来自例如网络调查数据）。

第三：然后根据某些中心性度​​量绘制具有例如顶点大小的图，通过某些顶点属性进行着色和标记，仅绘制值超过特定阈值的边。

这是一个迷你关联矩阵：

data <- structure(list(this = c(0, 1, 0, 1, 1, 2, 0, 1, 3), 
 that = c(1, 1, 3, 0, 0, 0, 2, 1, 0), 
 phat = c(0, 0, 2, 1, 0, 0, 1, 2, 0)), 
 .Names = c("this", "that", "phat"), 
 row.names = c("a", "b", "c", "d", "e", "f", "g", "h", "i"), 
 class = "data.frame")

带有一些属性数据：

att <-structure(list(sex = structure(c(1L, 1L, 2L, 2L, 1L, 2L, 1L, 
1L, 1L), .Label = c("F", "M"), class = "factor"), agegr = c(1L, 
1L, 3L, 1L, 3L, 1L, 1L, 3L, 1L), place = structure(c(1L, 2L, 
1L, 1L, 1L, 1L, 2L, 2L, 1L), .Label = c("Lower", "Upper"), 
class = "factor")), .Names  = c("sex", 
"agegr", "place"), row.names = c(NA, -9L), class = "data.frame")

ps 也许 SNA 是这篇文章的一个很好的标签？我只是没有必要的善意:-)

Answer 1

这是一个很好的问题，为进一步探索 R 中的 SNA 提供了一些机会。我更熟悉 igraph 包，所以我将使用该库中的函数来回答您的问题。

您问题的第一部分有一个相当简单的解决方案：

# Convert data frame to graph using incidence matrix
G<-graph.incidence(as.matrix(data),weighted=TRUE,directed=FALSE)
summary(G)
# Vertices: 12 
# Edges: 30 
# Directed: TRUE 
# No graph attributes.
# Vertex attributes: type, name.
# Edge attributes: weight.

这会返回一个图形对象，该对象具有来自关联矩阵的无向边和加权边。要从二分图生成从属关系图，您有两种选择。快速而简单的方法是这样的：

proj<-bipartite.projection(G)

这将返回一个列表，其中每个投影索引为 $proj1 和 proj2，不幸的是这些项目不包含执行此操作时通常需要的边权重。要做到这一点，最好的解决方案是自己简单地执行矩阵乘法。

# Create the matrices, and set diagonals to zero
M<-as.matrix(data)
affil.matrix<-M%*%t(M)
diag(affil.matrix)<-0
cases.matrix<-t(M)%*%M
diag(cases.matrix)<-0
# Create graph objects from matrices
affil.graph<-graph.incidence(affil.matrix,weighted=TRUE)
cases.graph<-graph.incidence(cases.matrix,weighted=TRUE)

使用属性数据生成绘图有点棘手，需要更多编码，但我建议查看一些 igraph 示例，甚至我自己的一些< /a> 因为有很多东西可以帮助您入门。祝你好运！

Answer 2

这并不能直接回答你的问题，但我强烈建议观看 Drew Conway 关于 R 中的 SNA 的演示 如果您还没有看过的话。

Answer 3

您可能还想查看 R 和 SoNIA 中的社交网络分析实验室，特别是 隶属关系数据实验室。