使用 R 编程进行社交网络分析
社会网络分析（SNA）是利用图论探索或检验社会结构的过程。它用于测量和分析网络的结构特性。它有助于衡量团体、组织和其他相关实体之间的关系和流动。
在开始之前，让我们看一些网络分析术语
- 网络被表示为一个图，它显示了每个顶点（或节点）与其邻居之间的链接（如果有的话）。
- 表示顶点之间链接的线称为边。
- 通过图上的边可以相互到达的一组顶点称为一个组件。
- 从一个顶点到另一个顶点的边称为路径。
执行网络分析需要以下软件
- 软件
- 套餐：
- 图形
- sna（社交网络分析）
社交网络分析中使用的函数
- 库（）函数
library()函数加载和附加附加包。句法：
library(package, help, logical.return = FALSE....) - make_full_graph()函数
此函数用于创建完整图形。句法：
make_full_graph(n, loops = FALSE, directed = FALSE) - make_ring()函数
环是一维晶格，它可以创建任意维度的晶格，周期性的或非周期性的。句法：
make_ring(n, directed = FALSE, circular = TRUE, mutual = FALSE) - make_star()函数
此函数创建一个星图，其中每个顶点都连接到中心顶点，没有其他顶点。句法：
make_star(n, center = 1, mode = c("in", "out", "mutual", "undirected")) - sample_gnp()函数
这是一个简单的模型，其中每个可能的边都是以相同的恒定概率创建的。句法：
sample_gnp(n, p, loops = FALSE, directed = FALSE) - 绘图（）函数
此函数用于在活动图形窗口中绘制给定图形。句法：
plot(defined_graph_name)
创建示例图
全图
句法：
make_full_graph ()参数：
- 顶点数。
- directed = TRUE/FALSE 是否创建有向图。
- loops = TRUE/FALSE 是否在图中添加自环。
例子：
library(igraph)
Full_Graph <- make_full_graph(8, directed = FALSE)
plot(Full_Graph)
输出： 
环形图
环图是一维格，是 make_lattice函数的特例。
句法：
make_ring ()参数：
- 顶点数。
- directed = TRUE/FALSE 是否创建有向图。
- 相互 =TRUE/FALSE 有向边是否相互。在无向图中被忽略。
- circular =TRUE/FALSE 是否创建圆环。
例子：
library(igraph)
Ring_Graph <- make_ring(12, directed = FALSE, mutual = FALSE, circular = TRUE)
plot(Ring_Graph)
输出： 
星图
星形图是每个顶点都连接到中心顶点而没有其他顶点的地方。
句法：
make_star()参数：
- 顶点数
- center = 中心顶点的 ID
- 模式=它定义边缘的方向进/出/相互/无向。
- in – 边缘指向中心。
- out – 边缘指向中心。
- 相互的——一个有向星图是用相互的边创建的。
- 无向的——边是无向的。
例子：
library(igraph)
Star_Graph <- make_star(10, center = 1)
plot(Star_Graph)
输出： 
生成随机图 (gnp)
下面的图表是随机生成的，以给定的恒定概率创建一条边。
句法：
sample_gnp()参数：
- 图中的顶点数
- 在随机顶点之间绘制边的概率
- 定向 = FALSE/TRUE
- 循环 = FALSE/TRUE
例子：
library(igraph)
gnp_Graph <- sample_gnp(20, 0.3, directed = FALSE, loops = FALSE)
plot(gnp_Graph)
同样，您可以通过更改它们的参数来尝试不同的图表，如下所示。
输出 ： 
分析图表
图的连通性
图中顶点的基本度量之一是它们与其他顶点有多少连接。该度量可以是连接数与可能连接的总数，也称为密度。
现在让我们在随机图中找到每个节点/顶点的度数。
句法：
degree(graph)度数函数用于找出每个顶点连接到的顶点数。
例子：
library(igraph)
gnp_Graph <- sample_gnp(7, 0.4, directed = FALSE, loops = FALSE)
plot(gnp_Graph)
degree(gnp_Graph)
输出：
图的介数
在社交网络中，介数被定义为网络成员群体之间的桥梁。计算介数的一种方法是计算每个顶点的介数。一般来说，与顶点相关的介数分数越高，对网络的控制就越多。
句法：
betweenness(graph) betweenness()函数由通过顶点或边的最短路径的数量定义。
例子：
library(igraph)
gnp_Graph <- sample_gnp(7, 0.4, directed = FALSE, loops = FALSE)
plot(gnp_Graph)
betweenness(gnp_Graph)
输出：
网络密度
网络的密度定义为连接数与可能连接总数的比值。完整图的密度 = 1，而其他网络可以有十进制值。
句法：
edge_density(graph)它是边数与可能边总数的比率。
例子：
library(igraph)
sample_graph <- sample_gnp(10, 0.3, directed = FALSE)
plot(sample_graph)
sample_density <- edge_density(sample_graph, loops = FALSE)
sample_density
输出：
识别网络中的集团
一个团可以定义为一组顶点，其中存在所有可能的链接。
句法：
cliques(graph, min=NULL,max=NULL)此函数查找无向图中的所有最大或最大团。
例子：
library(igraph)
sample_graph <- sample_gnp(20, 0.3, directed = FALSE, loops = FALSE)
plot(sample_graph)
clique_num(sample_graph, min=4)
输出：
查找图的组件
一组连接的网络顶点称为一个组件。因此，a 可能有多个未互连的组件。
句法：
components(graph)这将计算图的强连接或弱连接组件。
例子：
library(igraph)
sample_graph <- sample_gnp(30, 0.07, directed = FALSE, loops = FALSE)
plot(sample_graph)
components(sample_graph)
输出：
图上的随机游走
现在让我们生成一个随机图并使用 random_walk函数遍历它。
句法：
random_walk(
graph,
start_node,
Number_of_steps,
stuck = "return"/"error"
)这个函数允许我们从 start_node 到 Number_of_steps 进行随机游走，如果卡住或无法向前移动，则返回或给出错误。
例子：
library(igraph)
sample_graph <- sample_gnp(30, 0.07, directed = FALSE, loops = FALSE)
plot(sample_graph)
random_walk(sample_graph, 8, 10, stuck = "return")
输出：
可视化网络
更改边和顶点颜色
现在我们将尝试学习如何修改顶点和边的颜色，使图形更加丰富多彩。
set_vertex_attr(graph, name_attr, value)我们将尝试使用此函数设置顶点的特定属性值。
set_edge_attr(graph, name, value)这将是一个类似的函数，但不同之处在于它设置了边缘属性。
写出图表
使用以下函数，您可以将图形的边列表保存到指定路径的计算机中。
write.graphs()
setwd(dir)设置工作目录函数允许您设置所需的工作目录。
Note: While setting the path all the back-slashes should be changed to forward-slashes.
getwd()此函数返回您正在使用的当前目录路径。
write_graph(graph, format)此函数允许您以特定格式导出图形，例如edgelist/pajek/ncol/lgl/graphml/dimacs/gml等。