「Python数据分析」 社交网络：共现/合作网络（无向有权图） 生成邻接矩阵、共现矩阵

这里的共现矩阵矩阵就是对角线上是节点权重的邻接矩阵，我为了区分他们换个名字而已。
不过用矩阵存储网络空间利用率还是太低了，所以一般我还是把节点权重和节点存在一起，边的权重和边存在一起，再加上一个邻接表，就不生成邻接矩阵了，这篇文章只是对之前代码迭代过程的一个记录。不过如果以后遇到对数据格式有特殊要求的场景，我就得再去学学稀疏矩阵了…

以下是原文：

使用从数据库中导出的论文、专利数据，做作者/专利权人合作网络，实际上也就是共现网络。

存储网络的形式有很多种：邻接矩阵（matrix）、共现矩阵、节点列表（node list）、带权重的边列表（weighted edges）、边列表(edge list)、邻接表（adjacency list），主要还是根据自己后续的数据处理需求来选择存储结构。

其中节点列表、边列表可以作为G.add_nodes_from()、G.add_edges_from()的输入，带权重的边列表可以作为networkx中G.add_weighted_edges_from()方法的输入。节点列表、合作矩阵（邻接矩阵）、边列表、邻接表还可以作为各种网络绘制软件的输入数据，比如Ucinet、Gephi。

本文记录邻接矩阵、共现矩阵生成方式，其他方式可参考：
生成节点、边列表 、 生成边-权重列表、生成邻接表

使用的数据形式示例：

其中F列是作者信息，其他列包含其他信息。

合作网络构建

生成合作网络代码主函数：

if __name__ =='__main__' :

    co_list = [ ["AA | BB | CC | DD",2019],
                ["EE | BB | FF ",2018],
                ["AA | GG | FF | HH | KK",2019],
                ["CC | DD | FF | LL | AA",2020],
                ["AA | BB | FF ",2017],
                ["EE | BB | GG ",2018],
                ["DD | GG | LL | HH | EE",2019],
                ["AA | GG | CC | DD",2018]]

    # 1.获取节点列表
    author_list = get_nodes