复杂网络分析（5）----共引和文献耦合

1.哎，这也没啥好说的。相对于无向图，就叫做CN即公共邻居；对于有向图，就有了共引和文献耦合这两个概念了。

2.之前学了点有趣的知识，所以就以此写了个关于求共引网络（矩阵）和文献耦合网络（矩阵）的程序，文件目录如下：

注意，当你创建文件目录的时候，如果出现不能import你自己写的.py文件时，请确保你放.py的文件夹是我下面的那样（方法为：右键该文件夹，Mark Directory as，Sources Root）

代码如下：

public_motif.py

def get_motif():
    motifs = {
        'M8': [[1, 0], [1, 2]],
        'M2': [[0, 1], [1, 2], [2, 1], [2, 0]],
        'M3': [[0, 1], [1, 2], [2, 1], [2, 0], [0, 2]],
        'M4': [[0, 1], [1, 0], [1, 2], [2, 1], [0, 2], [2, 0]],
        'M5': [[0, 1], [1, 2], [0, 2]],
        'M6': [[1, 0], [1, 2], [2, 0], [0, 2]],
        'M7': [[0, 1], [2, 1], [0, 2], [2, 0]],
        'M11': [[0, 1], [1, 0], [1, 2]],
        'M13': [[0, 1], [1, 0], [0, 2], [2, 0]],

        'M1': [[0, 1], [1, 2], [2, 0]],
        'M9': [[1, 0], [2, 1]],
        'M10': [[0, 1], [2, 1]],
        'M12': [[0, 1], [1, 0], [2, 1]],
    }
    return motifs

study_cocitation.py

import networkx as nx
import igraph
import pandas as pd
import numpy as np
import itertools
import matplotlib.pyplot as plt
import public_motif as motif

# cocitation,hig_order,polblogs
r_fpath = '../datas/study_datas/polblogs.txt'
data = pd.read_csv(filepath_or_buffer=r_fpath, sep='\t', header=None, names=['n1', 'n2'])
data_values = data[['n1', 'n2']].values

'''从0开始(看自己的喜好咯)'''
data_min = np.min(data_values)
data_max = np.max(data_values)
if not (np.any(data_values == 0)):
    data_values = data_values - data_min
else:
    data_values = data_values

'''网络的边'''
edges_graph = [tuple(ed) for ed in data_values.tolist()]
'''创建网络'''
graph_networkx = nx.DiGraph(edges_graph)

'''模体'''
motifs = motif.get_motif()

'''就是M8这个模型的话就很适合算共引矩阵，只需要在求子图同构的时候将范围放大就行咯'''
edges_motif = motifs['M8']

'''子图同构'''
'''创建网络，进行子图同构的查找'''
graph_igraph = igraph.Graph(edges_graph, directed=True)
motif_igraph = igraph.Graph(edges_motif, directed=True)

'''induced=False这个参数很有意思哦，也不是有意思，只不过当它为True的时候，A的某子图和B是完全一样，
但是当其为False的时候，只要你A的某个子图中含有（记住是含有）B的时候，他就返回一个映射，咱就设置为False哦'''
mappings = graph_igraph.get_subisomorphisms_lad(motif_igraph, induced=False)
mappings_set = set(tuple(sorted(i)) for i in mappings)


'''引用==指向'''


'''这个想法来自于“共引”该概念，因为两个节点共同被某一个节点引用的时候，就特别符合M8及包含M8的模体的那种结构，所以只要先找到哪些子图
包含了M8这个模体的结构，就直接便利这些子图，这样就不用遍历整个网络而导致效率低下了'''
tmp_cocitation = set()
for i in mappings_set:
    for j in itertools.permutations(i, 2):
        tmp_cocitation.add(tuple(sorted(j)))
'''和M8同构的子图包含的边'''
tmp_cocitation = sorted(tmp_cocitation)

'''该变量用于存储被引用过的节点，即有边指向该节点。其中key为被引用的节点的编号，对应的value为指向key的节点的编号'''
box = {}
'''含M8模体结构的子图所含的节点'''
nodes_compute = np.unique(np.array(mappings))
for node in nodes_compute:
    in_edg = graph_networkx.in_edges(node)
    if in_edg:
        in_nod = np.unique(np.array(list(in_edg)))
        in_nod = np.delete(in_nod, np.argwhere(in_nod == node))
        box[node] = in_nod
'''从字典中得到被引用过的节点的编号'''
keys_box = box.keys()

#
'''共引网络'''
#
'''存储某两个节点的共引值'''
result_cocitation = {}
for i in tmp_cocitation:
    node1 = i[0]
    node2 = i[1]
    if node1 in keys_box and node2 in keys_box:
        '''得到某两个节点被共同的第三个节点引用的 总的个数。该值就是这两个节点的共引值'''
        common_cocitation = len(np.intersect1d(box[node1], box[node2]))
        if common_cocitation > 0:
            result_cocitation[i] = common_cocitation

# print(result_cocitation)
max_cocitation_key = max(result_cocitation,key=result_cocitation.get)
max_cocitation_value = result_cocitation[max_cocitation_key]

'''用来测试输出共引矩阵（不要试图在图形化界面输出上万的矩阵）'''
matrix_cocitation = np.zeros([data_max, data_max])
for k, v in result_cocitation.items():
    matrix_cocitation[k] = v

matrix_cocitation = matrix_cocitation + matrix_cocitation.T
print(matrix_cocitation)
print('共引值最大的是:', max_cocitation_key)
print('其值为:', max_cocitation_value)

'''文献耦合网络'''
result_coupling = {}
tmp_coupling = {}
initial_value = 1
for v in box.values():
    if len(v) > 1:
        for i in itertools.combinations(v, 2):
            if i not in result_coupling:
                result_coupling[i] = 1
            else:
                result_coupling[i] += 1

# print(result_coupling)
max_coupling_key = max(result_coupling,key=result_coupling.get)
max_coupling_value = result_coupling[max_coupling_key]

'''用来测试输出文献耦合矩阵（不要试图在图形化界面输出上万的矩阵）'''
matrix_coupling = np.zeros([data_max, data_max])
for k, v in result_coupling.items():
    matrix_coupling[k] = v

matrix_coupling = matrix_coupling + matrix_coupling.T
print(matrix_coupling)
print('文献耦合值最大的是:', max_coupling_key)
print('其值为:', max_coupling_value)

数据文件你们要运行的话就只试试这个hig_order.txt（中间的分隔符是制表符，所以用pandas读取的时候用的是sep='\t'）吧（也可以自己下载有向图进行运行）：

hig_order.txt

1	2
1	3
1	4
1	5
1	6
7	2
7	6
8	2
8	6
8	9
8	10
9	6
9	7
9	8
9	10
2	1
2	3
2	4
2	5
6	2
6	7

3.运行结果：

4.推荐书籍《网络科学引论》--纽曼著，郭世泽译