处理数据
链接：https://pan.baidu.com/s/11mzYYnU4DBucH0lUhvXrrw 密码：wgbr
操作流程
统计分析→外观→布局→过滤
：
具体操作步骤：
打开honglou_edge.csv与honglou_node.csv节点
显示标签
统计分析：
模块化计算
外观
设置：我们这里节点本身颜色与标签颜色都选择的Modularity Class,节点大小与标签尺寸都选择的度
节点——颜色
节点——大小
节点——标签颜色
节点——标签尺寸
布局
过滤
目的：取一些小点的度和大点的度，过滤掉中间的度
步骤：将拓扑---度范围，拉入到查询里面，然后进行度范围设置，最终进行选择
目的：将2个度范围进行并集运算
步骤：将拓扑---并集，拉入查询里面，然后将两个度范围拉入并集里
预览
在下图主要点击节点标签里面的字体与比例大小就行
结果分析
统计分析里面的不同算法→选择不同的渲染模式→最终图形，因此我们需要搞懂算法原理，才能进一步分析
1由于我们节点本身大小与节点标签尺寸都是选择Rank中的度，所以由图可以明显看出谁的度越大，说明在个图中与其他点联系越大，作用越大
2由于我们节点本身颜色和标签颜色的渲染方式都选的模块化，所以整个图以度大的节点最终呈现出社区稳定
对上面操作流程的进一步理解：
统计分析
模块化：Modularity Measure(模块化度量值），由Newman等人提出，是目前常用的一种衡量网络中社区稳定度的方法。
定义： 
模块度值的大小主要取决于网络中结点的社区分配C，即网络的社区划分情况，可以用来定量的衡量网络社区划分质量，其值越接近1，表示网络划分出的社区结构的强度越强，也就是划分质量越好。因此可以通过最大化模块度Q来获得最优的网络社区划分。
PageRank
PageRank算法主要应用在搜索引擎的搜索功能中，其主要用来计算网页的重要程度，将最重要的网页展示在网页的前面，此算法主要围绕以下两个假设：
①如果存在一个网页，它被许多其他的链接链接到，则说明这个网页比较重要，则此网页的PageRank值比较高。
②如果存在一个网页，它本身的PageRank值比较高，且此网页又链接了一个网页，则这个被链接的网页比较重要，其PageRank值较高。
外观：
度（degree）—— 一个节点有 n 条边即度数为 n
布局：
Force Atlas:
基于力导向 (Force-directed) 的算法作为弹簧理论算法的一类典型，被广泛应用于描述社交网络等关系型信息图。它的原理其实非常易懂，我们可以把整张网络想象成一个虚拟的物理系统。系统 中的每个节点都可以看成是一个带有一定能量的放电粒子，粒子与粒子之间存在某种库仑斥力，使它们两两相互排斥。同时，有些粒子间被一些“边”所牵连，这些 边产生类似弹簧的胡克引力，又紧紧牵制着“边”两端的粒子。在粒子间斥力和引力的不断作用下，粒子们从随机无序的初态不断发生位移，逐渐趋于平衡有序的终 态。同时整个物理系统的能量也在不断消耗，经过数次迭代后，粒子之间几乎不再发生相对位移，整个系统达到一种稳定平衡的状态，即能量趋于零。此刻，最终的 这幅理想的社交网络图也基本绘制完成。
基本上绝大多数算法都遵循着这样的原则，即：
- 将网络看成一个顶点为钢环，边为弹簧的物理系统
- 不断迭代，使整个系统的总能量达到最小
清单. 力导向核心算法实现伪代码
Set up initial node positions randomly Loop for k For each node u For each node v net-force += Coulomb_repulsion( u, v ) End For End For For each edge e compute net-force += Hooke_attraction( u1, u2 ) // u1, u2 is start and end node of edge e End For Update x and y values with each net-force // every node has its own net-force End Loop
伪代码的整体思想归纳如下：
- 随机分布初始节点位置；
- 计算每次迭代局部区域内两两节点间的斥力所产生的单位位移（一般为正值）；
- 计算每次迭代每条边的引力对两端节点所产生的单位位移（一般为负值）；
- 步骤 2、3 中的斥力和引力系数直接影响到最终态的理想效果，它与节点间的距离、节点在系统所在区域的平均单位区域均有关，需要开发人员在实践中不断调整；
- 累加经过步骤 2、3 计算得到的所有节点的单位位移；
- 迭代 n 次，直至达到理想效果。