精华内容
下载资源
问答
  • UCINET入门案例

    2021-06-21 22:12:30
    一、UCINET矩阵数据生成 1.以2002年投入产出表为例,建立一个43×43矩阵,第一行、第一列为行标识、列标识。 上表中数据为直接消耗系数的转置矩阵 2.点击Ucinet第二行第三个图标 3.弹出如下窗口,点击“File—...

    http://blog.sina.com.cn/s/blog_14eceedbe0102we0k.html

    一、UCINET矩阵数据的生成

    1.以2002年投入产出表为例,建立一个43×43矩阵,第一行、第一列为行标识、列标识。
    在这里插入图片描述

    上表中数据为直接消耗系数的转置矩阵

    2.点击Ucinet第二行第三个图标
    在这里插入图片描述

    3.弹出如下窗口,点击“File—Open Excel file”,将Excel数据导入
    在这里插入图片描述

    4.数据导入后,在右边选择数据类型,然后点击“File—Save UCINETdataset”,生成“*.##h”格式文件
    在这里插入图片描述

    二、中心性分析

    出度、入度值的计算

    1.按如下图示操作
    在这里插入图片描述

    弹窗如下:
    在这里插入图片描述

    按上述勾选后,点击OK即可生成节点的属性标识。
    在本案例中,出度值等于矩阵的横向相加,即某一产业直接消耗系数之和。

    三、网络图的生成

    1)基本网络图的生成

    1.点击第二行Netdraw图标
    在这里插入图片描述

    弹出如下窗口
    在这里插入图片描述

    按如下操作:
    在这里插入图片描述

    弹出
    在这里插入图片描述

    输入数据,点击ok
    在这里插入图片描述

    便可生成如下的基本网络图
    在这里插入图片描述

    点击Properties可以对点、线的属性进行修改

    Eg:改变网络节点颜色
    在这里插入图片描述

    展开全文
  • 首先,看到我这篇文章的孩纸基本都是为了写本科、研究生毕业论文,希望看完这篇文章能节省你自己摸索的宝贵时间,抓紧时间找到好工作!! 其次,因为写了这篇Blog...大家可以往下从第一幅图中看到我用的Ucinet的版...

    首先,看到我这篇文章的孩纸基本都是为了写本科、研究生毕业论文,希望看完这篇文章能节省你自己摸索的宝贵时间,抓紧时间找到好工作!!

    其次,因为写了这篇Blog,认识了很多的网友,特别是很多的女网友,我很高兴,虽然懂的不多,但是希望能帮到更多的人,一直想抽时间来修改下这篇日志,苦于工作,今天就把大家问我的常见问题汇总一下

    1.版本和注册问题

    大家可以往下从第一幅图中看到我用的Ucinet的版本是6.216,这个版本比较老了,很多网友用的版本都比我新,新版的某些界面有些的不一样,但是我想换汤不换药,基本的思路是一致的,况且版本较多也不可能把每个版本都详细说道。如果说不想用新版的,我这里提供我使用的软件包,供大家下载使用(点我进115下载),里面有注册机keygen(不会用的同学,我表示伤不起)。

    此外就是注册的问题,曾经有网友问我为什么导入excel数据的时候有矩阵大小最大为256*256的限制,答案就是你没有注册,不论你用的什么版本,请务必注册,因为我也不知道没注册还会有那些类似BUG存在。

    2.本贴讲的是一维数据画图

    即所处理的数据是一个集合内互相之间的关系,如一堆客户之间的关系,一堆文章互相之间的引用等

    第一步整理excel数据表

    这里我们需要把你的原始数据处理成标准N*N的矩阵,可以只填写上三角(或者下三角),这样画出的表示有向图,填写为对称矩阵则“表示”无向图,所谓无向图也即是任一连线都带箭头(看到这没学过图论的可能有点晕)。

    给大家看个例子,解释一下大家就清楚了,其实很简单:

    图片

    黄色部分是下三角,橙色部分是上三角,绿色部分是标题行,蓝色是对角线

    解释上图,矩阵的数值,简单的说可以表示张三跟李四借了钱(从左起,三行二列为1),张三后来又把钱还给了李四(从左起,二行三列为1),以此类推

    如上图表示的是对称矩阵,矩阵里的值可以为0-1(表示有关系或没关系,即借了或没借,若为0也可不填),或者任意实数(表示产生关系的次数或者上面例子中借的金额数),大家应该有举一反三的能力哈

    第二步 导入excel数据
    图片


    保存就是菜单view下面那个磁盘的图标拉,有同学说找不到,我很无语
    图片

    第三步 二值化这一步是可选的)

    上面说了,矩阵的数值可以是0-1,也可以是任意实数,那么这一步就是要把实数矩阵转成0-1矩阵,也就是把定量问题定性考虑

    举个例子,张三借给李四多少钱算借钱呢,好吧,10块钱以上算借钱(有同学要吐槽说太抠了吧),那就让ucinet帮你把矩阵里10以上(以上、以下、等于都是可以自己设定的,这里以“以上”为例)的数值都改成1,10以下的数值就无视掉(变0)

    下图中的10表示表中大于10的都换为1,否则为0,cut-off operator即规则,Greater Than就是大于。点ok后选择保存地点,得到一个处理后的.#h文件

    图片

    图片


    第四步,用netdraw画图

    导入第三步或者第二步得到的#h文件,OK
    图片

    图片

    图片

    最后是结果的实例了,但需要说明的是得到的图的节点大小,连线长度等属性本无意义,但是可以用ANALYSIS里的各种分析重画图,赋予这些属性新的意义,例如下图是中心性分析得到的结果,节点的大小表示中心性,点越大越是中心,如图,图书馆处于所有关键词的中心

    图片

    第五步 把图进一步处理,让图“更漂亮”

    有同学问我,我得到的图为什么没有上图那么英姿飒爽,87侧漏,那是因为你没调整

    告诉大家一个最简单的方法,点netdraw界面里的闪电图标,系统会自动把你的图重新调整,撑开。

    展开全文
  • 但是ucinet这个社会网络分析工具只接受矩阵格式的数据,本白嫖大王于是在CSDN、知乎、各种问答网站上一通搜索提问邀请三连,最终啥也没搜到,只好自己动手丰衣足食。在自己提的知乎问题下面回复已解决后出乎意料竟然...

    上学期为了做一个研究的作业,拿到了一个学习平台上用户给其他用户发表的博客评论的数据,要用这些数据做社会网络分析(没错,就是SNA)。但是ucinet这个社会网络分析工具只接受矩阵格式的数据,本白嫖大王于是在CSDN、知乎、各种问答网站上一通搜索提问邀请三连,最终啥也没搜到,只好自己动手丰衣足食。在自己提的知乎问题下面回复已解决后出乎意料竟然有很多小伙伴找我要代码,碍于知乎不能发文件有的小伙伴又不想提供邮箱,我就写个博客,下次直接扔个链接。

    言归正传,首先粘上完整代码方便和我一样的白嫖大王复制粘贴。(netdraw是画社会网络图用的,如果你有ucinet等专门的社会网络分析工具这一段可以删掉)

    注:代码作者为编程菜鸟,大概齐能用,不要期望太高。
    切记:文件名要改成自己的,存储在同一个文件夹下。

    import pandas as pd
    from bisect import bisect_left
    import csv
    from networkx import *
    import matplotlib.pyplot as plt
    
    def list(l1, l2):
        for i in range(0, len(l1)):
            if l1[i] not in l2:
                l2.append(l1[i])
        return l2
    
    def list_with_repeat(l1, l2):
        for i in range(0, len(l1)):
            l2.append(l1[i])
        return l2
    
    def read(fname):
        data = pd.read_csv(fname)
        # print(data.head)
        user = []
        new1 = []
        new2 = []
        comment_user = list_with_repeat(data['user_id'], new1)
        article_user = list_with_repeat(data['commented_id'], new2)
        user = list(data['user_id'], user)
        user.sort()
        # print(comment_user)
        # print(article_user)
        #print(user)
        return user, comment_user, article_user
    
    def toMatrix(fpath, list, com, art):
        header = list
        print(list)
        # print(type(com[0]))
        # print(type(list[0]))
        # print(type(list[0]))
        bool_list = []
    
        with open(fpath, 'w', newline='') as f:
            writer = csv.writer(f)
            writer.writerow(list)
    
        matrix = [[0 for _ in range(len(list))] for _ in range(len(list))]
        # matrix = [[0]*731]*731
        for i in range(0,len(com)):
            x = com[i]
            y = art[i]
            # print(x)
            x_bool = x in list
            y_bool = y in list
            # print(y)
            # print(x_bool)
            bool_list.append(x_bool)
            if x_bool == True and y_bool == True:
                x_index = list.index(x)
                y_index = list.index(y)
                # print(x_index)
                # print(y_index)
    
                matrix[x_index][y_index] += 1
            # print(matrix)
            else:
                # print('not in')
                pass
    
        with open('comdat.csv', 'w', newline='') as ff:
            writer = csv.writer(ff)
            for j in range(0,len(list)):
                writer. writerow(matrix[j])
                # print(j)
    
        print(matrix)
        return matrix
    
    '''
    def netdraw(nodelist, matrix):
        G = networkx.Graph()
        point = nodelist
        G.add_nodes_from(point)
        edgelist = []
        for i in range(len(point)):
            for j in range(len(point)):
                edgelist.append((matrix[i][0], matrix[i][j]))
        G = networkx.graph(edgelist)
        position = networkx.circular_layout(G)
        networkx.draw_networkx_nodes(G, position, nodelist=point, node_color='blue')
        networkx.draw_networkx_edges(G, position)
        networkx.draw_networkx_labels(G, position)
        plt.show()
    '''
    def main(fname):
        f = fname
        list, com, art = read(f)
        matrix = toMatrix('data_matrix.csv', list, com, art)
        # netdraw(list, matrix)
    
    if __name__ == '__main__':
        filename = 'cmooc_comments.csv'
        main(filename)
    

    第一步 数据整理

    数据整理其实是两个工作,一方面要将所需数据挑出来形成可以生成邻接矩阵的形式;另一方面是文件格式转化为csv格式,方便Python读取。

    我们的原始数据其实非常的繁杂,需要用到的数据分布在excel文件的好几个表里,下面的图片分别是发帖情况统计和评论情况统计。
    原始数据之发帖情况
    原始数据之评论情况
    要生成邻接矩阵的话,只需要两列数据,一列是评论者,一列是被评论者,每一行代表着一条评论。在原始数据中,评论者和被评论者不在一个数据表里,但它们有一个共同的外链数据,也就是博客的ID,我亲爱的同组同学使用excel的强大功能将它们整合在了一个表中,而我并不知道这个功能怎么用(可能是vlookup吧),如下图。
    整理好的数据
    我们只需要后面两列,把这两列粘到新文件中另存为csv格式即可。

    第二步 生成所涉用户列表

    在这个研究中,我们只研究与他人产生过社交行为的用户,因此不能使用那个包含所有用户的列表,为了方便后续代码的使用,我定义了三个list,一个是所有涉及用户列表(也就是被评论者和评论者的并集),一个是评论者数据列表,一个是被评论者数据列表

    后两个都好说,直接读入就可以,至于第一个,基于list的中元素的可重复性,我的思路是,读取其中一个列表,判断其中数据是否在另一个列表中,若否,则添加到该列表中,这个列表没有重复数据,为了之后方便查看数据我们也可以把它处理成有序的。

    def list(l1, l2):
        for i in range(0, len(l1)):
            if l1[i] not in l2:
                l2.append(l1[i])
        return l2
    

    而后两个列表则是为了存储数据,所以需要有重复,且顺序不能有变,可以这样实现:

    def list_with_repeat(l1, l2):
        for i in range(0, len(l1)):
            l2.append(l1[i])
        return l2
    

    然后读入刚刚整理好的csv文件把相关数据存储在这几个list里面:

    def read(fname):
        data = pd.read_csv(fname)
        # print(data.head)
        user = []
        new1 = []
        new2 = []
        comment_user = list_with_repeat(data['user_id'], new1)
        article_user = list_with_repeat(data['commented_id'], new2)
        user = list(data['user_id'], user)
        user.sort()
        # print(comment_user)
        # print(article_user)
        #print(user)
        return user, comment_user, article_user
    

    读入csv文件需要使用panda包,记得在py文件开头写上这一行:

    import pandas as pd
    

    第三步 生成邻接矩阵并存储

    邻接矩阵的表头就是我们刚刚的第一个list,包含所有参与到互动中的用户。邻接矩阵的生成其实就是一个计数的过程,我们知道这一个评论动作的发出者和接受者之后,根据他们的ID找到矩阵中对应的那个格子,值加一,这样邻接矩阵中的数据就可以体现出交互的次数

    def toMatrix(fpath, list, com, art):
        header = list
        print(list)
        # print(type(com[0]))
        # print(type(list[0]))
        # print(type(list[0]))
        bool_list = []
    
        with open(fpath, 'w', newline='') as f:
            writer = csv.writer(f)
            writer.writerow(list)
    
        matrix = [[0 for _ in range(len(list))] for _ in range(len(list))]
        # matrix = [[0]*731]*731
        for i in range(0,len(com)):
            x = com[i]
            y = art[i]
            # print(x)
            x_bool = x in list
            y_bool = y in list
            # print(y)
            # print(x_bool)
            bool_list.append(x_bool)
            if x_bool == True and y_bool == True:
                x_index = list.index(x)
                y_index = list.index(y)
                # print(x_index)
                # print(y_index)
    
                matrix[x_index][y_index] += 1
            # print(matrix)
            else:
                # print('not in')
                pass
    
        with open('comdat.csv', 'w', newline='') as ff:
            writer = csv.writer(ff)
            for j in range(0,len(list)):
                writer. writerow(matrix[j])
                # print(j)
    
        print(matrix)
        return matrix
    

    因为我水平有限,不太知道怎么写入竖向的表头,所以这个矩阵 呢,就只有顶端横着的表头,不过没关系,你可以使用excel强大的功能,在表格最左侧插入一个空行,把上面的表头转置一下粘过来就好啦哈哈哈。

    最后一步 别忘了main函数

    main调用上面的东西,就齐活了,记得不要把传的变量搞错了。

    def main(fname):
        f = fname
        list, com, art = read(f)
        matrix = toMatrix('data_matrix.csv', list, com, art)
        # netdraw(list, matrix)
    
    if __name__ == '__main__':
        filename = 'cmooc_comments.csv'
        main(filename)
    

    第一次用Python解决实际问题还是很开心的,代码有很多不完善的地方,请各位大佬多多指正,本人玻璃心,轻点喷。

    展开全文
  • ucinet 案例分析

    热门讨论 2012-05-06 02:44:55
    在网上看到的高中建老师的关于UCINET 中的一个案例分析,从数据分析到图的生成,流程很清楚。觉得很不错,很适合初学者。
  • 使用从数据库中导出的论文、专利数据,做作者/专利...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],

    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:

    数据
    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(co_list,0) 
        # 2.合作矩阵(类似于邻接矩阵)
        get_cooperate_matrix(author_list,0)
    

    1. 提取出节点列表。

    调用了自定义的函数get_nodes()。调用这两个函数之前要把原始数据提取到形如co_list的列表里

    函数实现如下:

    获取节点列表:get_nodes():

    获取所有出现的节点列表。

    def get_nodes(co_list,col):
    	'''
            rows: 形如co_list的所有用来构建合作网络的数据行
            col: 作者信息所在列数-1
        '''
        nodes_list = []
        for authors in co_list:
            auths = authors[col].split(" | ") # 分隔符可换
            for auth in auths:
                if auth not in nodes_list: # 去重
                    nodes_list.append(auth)
        return nodes_list
    

    结果:

    ["AA","BB","CC","DD","EE","FF","GG","HH","KK","LL"]
    

    2. 生成共现矩阵(对角线上是节点权重)

    调用自定义的函数get_cooperate_matrix(),实现方法如下。

    合作矩阵:1. 直接通过节点列表+原始数据构建

    最开始实现的时候用了很多字典结构存储每个作者的合作关系,运行的时候发现内存开销异常的大(电脑内存不够的卑微),因此最后全部改回列表形式。其实这里没有涉及到大量数据搜索,所以使用字典的意义也不大,不能节省时间,反而增加内存占用。

    def get_cooperate_matrix1(rows,nodes_list,col):
        '''
            rows: 形如co_list的所有用来构建合作网络的数据行
            nodes_list: 节点列表
            col: 节点共现信息所在列数-1
        '''
    
        length = len(nodes_list)
        cooperate_list = []
        # 遍历作者名,计数和各作者合作数(每次合作对自己也计数)
        for node in nodes_list:
            node_co = []
            node_co.append(node)
        # 合作列表:初始化为长度为节点个数的全零列表[name,0,0,0,...,0,0]
            for i in range(length):
                node_co.append(0) 
        # 遍历所有数据行,对作者字段进行匹配
            for row in rows:
                nodes = row[col].split(" | ") # 分隔符按数据结构选
        # 对包含当前节点的数据项,提取共现关系(合作列表对应位置+1)
                if node in nodes:
                    for each_node in nodes:
                    # 索引共现的节点编号,确定在合作列表中的位置
                        node_index = nodes_list.index(each_node)+1 
                    # 对应位置+1
                        node_co[node_index] = node_co[node_index] + 1 
        # 添加到合作矩阵列表中
            cooperate_list.append(node_co)
    
        # 1. 生成合作矩阵:cooperate_mat
        cooperate_mat = []
        first_line = ['']
        first_line.extend(nodes_list)
        cooperate_mat.append(first_line) # 第一行,第一列为标题(出现的作者名)
        cooperate_mat.extend(cooperate_list)
    
        return cooperate_mat
    

    写入操作这里就省略了,可以参照 csv文件写入

    共现矩阵:2. 通过节点列表+边列表构建

    生成节点列表、边列表方法:get_nodes_edges()

    def get_cooperate_matrix2(nodes_list,edge_list):
        '''
            nodes_list:节点列表
            edge_list: 边列表
        '''
        length = len(nodes_list)
        cooperate_list = []
    
        for node in nodes_list:
            node_co = []
            node_co.append(node)
        # 合作列表:初始化为长度为节点个数的全零列表[node,0,0,0,...,0,0]
            for i in range(length):
                node_co.append(0) 
        # 遍历所有边,对节点进行匹配
            for edge in edge_list: 
        # 对包含当前节点的边,提取共现关系(合作列表对应位置+1)。对角线上为当前节点总次数。
                if node in edge:
                    for each_node in edge:
                    # 索引节点编号,确定在合作列表中的位置
                        node_index = nodes_list.index(each_node)+1 
                    # 对应位置+1
                        node_co[node_index] = node_co[node_index] + 1 
            cooperate_list.append(node_co)
    
        # 合并各节点数据,生成合作矩阵。
        cooperate_mat = []
        first_line = ['']
        first_line.extend(nodes_list)
        cooperate_mat.append(first_line)
        cooperate_mat.extend(cooperate_list)
    
        return cooperate_mat
    

    结果

    合作矩阵(类似邻接矩阵):

    对角线上是对应节点的总共出现次数,其他位置为共现次数(权重)。
    在这里插入图片描述

    3.生成邻接矩阵(对角线上为0)

    生成“边-权重”列表方法: 生成边-权重列表

    def get_adjacency_matrix(node_list,weighted_links):
        '''
            nodes_list:节点列表(sorted)
            edge_list: 边-权重列表
        '''
         # 初始化adjacency_mat为全零矩阵
        adjacency_mat = [[0 for val in range(len(node_list))] for val in range(len(node_list))]
    
        for x, y, val in weighted_links:
            i = node_list.index(x)
            j = node_list.index(y)
            adjacency_mat[i][j] = adjacency_mat[j][i] =  val
        return adjacency_mat
    

    结果

    除了对角线全为0,其它和共现矩阵一样。

    合作/共现网络示例:

    节点大小、边的粗细表示其权重。
    图

    展开全文
  • Ucinet学习笔记一:DL Input

    万次阅读 2015-02-04 00:34:48
    DL文件是Ucinet导入数据的方式之一,它相当于一个脚本文件,语法比较简单。 DL文件的生成通常是先建议一个txt文件,输入数据后,将文件类型改为" .dl " 首先看一个简单的例子,该例可以产生一个五边形网络图: ...
  • ucinet常用分析路径

    万次阅读 多人点赞 2015-06-16 17:46:35
    1、将多值关系数据转换成二值关系数据,路径:变换→对分   2、密度分析,路径:网络→凝聚力→密度→密度   3、利用Net-Draw程序生成可视化结构图, 路径:可视化→Net-Draw→Open→Ucinet Dataset→Network...
  • 存储结构:邻接矩阵 抽象数据类型:有向加权图  ADT List{  数据对象:D={ ai | ai∈ElemSet, i=1,2,...,n, n≥0 }  数据关系:R1={ <ai-1, ai>|ai-1, ai∈D, i=2,...,n }  基本操作: ...
  • ucinet网络分析使用总结

    万次阅读 多人点赞 2019-08-20 17:10:32
    ucinet介绍 UCINET为菜单驱动的Windows程序,...UCINET能够处理的原始数据矩阵格式,提供了大量数据管理和转化工具。该程序本身不包含 网络可视化的图形程序,但可将数据和处理结果输出至NetDraw、Pajek、Mage和Kr...
  • Ucinet软件使用

    万次阅读 多人点赞 2018-04-15 16:28:36
    raw/excel/数据语言数据DL (Excel数据route:data->importvia spreadsheet->full matrix ) data export:data->export->excel2.多值数据转二值:transform->dichotomize ...
  • 二值化处理

    2021-04-08 19:25:20
    生成一个适合你的列表 项目 项目 项目 项目1 项目2 项目3 计划任务 完成任务 创建一个表格 一个简单的表格是这么创建的: 项目 Value 电脑 $1600 手机 $12 导管 $1 设定内容居中、居左、居右 使用:---------:居中 ...
  • 并以CSSCI数据库中1998—2008年“信息可视化”引文数据为例,数据经过预处理后,由Bibexcel构建其知识单元共现矩阵,利用Ucinet、Netdraw软件,实现了作者共现、关键词共现、引文共现的可视化分析。该研究扩展了...
  • 本文旨采用C++实现图数据结构,具体地以邻接矩阵的方式实现图数据结构。图结构可以描述一组对象之间的二元关系,例如在城市交通中,联接于各个公交车站之间的道侣,或者在互联网中个网络节点之间的路由都可以很方便...
  • 如何制作二模矩阵之二模矩阵与二模网络一键制作,知识图谱、社会网络分析与文献计量
  • 矩阵权重计算(tkinter)

    千次阅读 2019-12-31 14:15:19
    :param data: 评价指标的数据框 :return:评价指标的复相关系数 """ R_list=[] for i in range(0,len(data.columns.values)): columns_list = list(data.columns.values) k1 = columns_list[i] columns_list....
  • SATI自动生成 Ucinet, NetDraw, SPSS, 和Dephi等软件使用的源文件。SATI 4.0 网络版 不仅保留了原本桌面版SATI 3.2的所有功能之外,还增加了数据处理和分析的多种新功能。 总体来说,SATI支持以下数据分析任务: ...
  • 条件: 具备Ucinet6 和 Netdraw 两款软件的Windows excel文件格式(.xlsx .xls .csv):必须是数字,如果现有的文件不是数字,可以采用某种编码的...读入数据后得到数据矩阵 如果数据量太大就不会显示在此软...
  • 1. 原料: ucinet6中文版: http://pan.baidu.com/s/1jG9s32m ... 待分析共现矩阵Excel表一...打开ucinet6中文版,选择:数据—输入—excel矩阵 ,然后选择输入文件路径(共现矩阵Excel表),其他可不改动,选择确定。
  • UCINET 社会网络分析工具

    千次阅读 2009-11-20 17:22:00
    UCINET软件是由加州大学欧文(Irvine)分校的一群网络分析者编写的。现在对该软件进行扩展的... UCINET网络分析集成软件包括一维与二维数据分析的NetDraw,还有正在发展应用的三维展示分析软件Mage等,同时集成了Paj
  • 1.最佳大数据分析工具 在这篇关于最佳大数据分析工具的文章中,我们将了解最佳数据分析工具。此外,还将研究这些数据分析工具:Tableau Public,OpenRefine,KNIME,RapidMiner,Google Fusion Tables,NodeXL,...
  • # 将节点符号(字母),映射成阿拉伯数字,便于后面生成A矩阵/S矩阵 i = 0 node_to_num = { } # 存储节点和数字的对应关系 for node in nodes : node_to_num [ node ] = i i += 1 ...
  • 多重对应分析在超过两个以上定类变量时有时候非常有效,当然首先我们要理解并思考,如果只有三个或有限的几个变量完全可以通过数据变换和交互表变量重组可以转换成两个定类变量,这时候就可以用简单对应分析了。...
  • 0.4 Bibexcel Bibexcel软件是瑞典于默奥大学(Umeå_University)Olle_Persson教授设计开发的一款软件,主要用于辅助用户分析书目数据或者格式相近的自然语言文本,生成数据文件可导出到Excel或其他可以处理Tab键...
  • 数据分析是一个含义广泛的术语,是指数据集,如此庞大而复杂的,他们需要专门设计的硬件和软件工具进行处理。该数据集通常是万亿或EB的大小。这些数据集收集自各种各样的来源:传感器,气候信息,公开的信息,如...
  • 六个主要的社会网络分析软件的比较

    万次阅读 多人点赞 2010-09-07 21:49:00
    UCINET能够处理的原始数据矩阵格式,提供了大量数据管理和转化工具。该程序本身不包含 网络可视化的图形程序,但可将数据和处理结果输出至NetDraw、Pajek、Mage和KrackPlot等软件作图。UCINET包含大量包括探测 ...
  • 1.安装 下载安装包,点击exe文件进行使用 ...提取码:ajdg 复制这段内容后打开百度网盘手机App,操作更方便哦 ...提取码:r7bw ...①Ucinet:输出用于NetDraw分析的矩阵数据 打开Ucinet,选择数据--->...

空空如也

空空如也

1 2 3
收藏数 55
精华内容 22
关键字:

ucinet矩阵数据如何生成