NodeXL网络图制作指南：手把手教你如何辨别共和党“叛徒”

snachina

想快速学会如何将复杂的社会网络做成直观炫酷的可视化？软件NodeXL是你的绝佳选择：会用Excel，就会用它生成网络图。在2014年计算机辅助报道协会巴尔的摩年会 (NICAR 2014) 上，BuzzFeed News 的科学与健康记者Peter Aldhous就介绍了NodeXL的用法，手把手教你分析美国共和党人中倾向于民主党的有哪些。准备好了吗？一起打开Excel跟着学吧！

---

NodeXL是一款适用于Microsoft Excel 2007及更高版本Excel的模板，它采用常见的电子表格界面进行社交网络分析。

从NodeXL网站下载模板，然后用Excel打开：

要注意，NodeXL有自己的菜单功能，第一个工作簿的命名是“Edges（连线）”。

网络图（或者说“连线”）反映的是人、机构等主体间的关系，这些主体则被叫做“节点”或“顶点”。

你可以在NodeXL中输入自己的数据，将关系网中的一系列边线存入这个工作簿。以一场小型聚会为例，我们输入一群假想朋友之间的关系。将模版重命名并保存为Excel工作簿文件，然后将以下数据输入“连线”工作簿：

这个例子里，我们只记录朋友关系——这是一种没有指向性的关系。因此图形的类型可设为“无指向(Undirected)”。（如果要记录每个朋友是否邀请其他人参加聚会——比如一个叫Ann的人邀请了她的朋友Carol——那么这个参数就要改成“指向性(Directed)”且需要第二条线，两边的名字要颠倒过来再写一遍。）

接着点击NodeXL菜单中的“显示图形（Show Graph）”按钮，一个表示网络关系的简单图形就会出现在下方窗口中：

转换到“顶点”工作簿，这里会出现所有人的名字。在每个名字后“其他栏（Other Columns）”里添加性别信息：

点击“自动填充列（Autofill Columns）”，选择“顶点”标签，在标签选项中选择 “Vertex”或朋友们的姓名，并依据性别选择颜色。最后这步的做法是：点击末尾的“选项（Options）”箭头，在列值选项中选择“类别（Categories）”，然后点击“OK”。

点一下“自动填充”关闭窗口。现在，“颜色”列已出现RGB色彩数值，“标签”列则包含朋友们的名字，图形也更新了——如果没有，就点击“刷新图形（Refresh Graph）”按钮。

学会了这些基本操作后，我们就可以探索更有趣的关系网了。下面这份数据以2013年美国参议院的投票模式为基础，是用Python写的小程序从govtrack.us网站上抓取的（下载数据点击这里）。你也可以通过微调Python程序来改动这个名单上代表国会会议的数字和年份，以便探索参议院各项议程的投票模式。

这份数据的格式是graphml。在空白NodeXL模版上，选择“导入（Import）”>“从Graphml文件导入”，打开该数据文件（如果弹窗提示“是否关闭文本换行”，选择“是”）。 导入文件后，以Excel工作簿格式保存为新文件。“连线”工作表里储存了成对的议员列表，通过以一对议员投票一致的次数除以其全部投票数，可以计算并在“协同比例（percent_agree）”一列中，显示在同一议程里这些议员的投票情况。

“顶点”（Vertices）工作表列出了每个参议员，并用颜色标示其党派：

点击“显示图形”就会出现下面的图形，图中每个点代表的议员和其他所有人都有联系，因为每一对议员起码同时投了一次票：

NodeXL的强大之处，在于能让你轻松筛选和定制关系网的可视化结果。处理类似上图这种复杂关系网的首要任务，就是要揭示其核心结构，对此我们有两种方法。

点击“动态筛选（Dynamic Filters）”会出现一系列滑动条，通过拖拉滑动条，我们可以在网络图中隐藏或显示“连线”和“节点”。譬如如果从左向右移动“协同比例”的滑动条，就会看到一些“连线”在此过程中消失。不过这对我们所研究的关系网本身不会有任何影响。例如通过计算描述关系网的各项度量指标所得到的那些结果，并不会因“动态筛选”这一过程而改变。

除上面的第一种方法外，我们还可以利用“自动填充列”，它能在筛选模式下进行后续研究。

点击“自动填充列”（Autofill Columns）按钮，选中“连线”标签。这次我们筛选相关参议员的标准是，全部投票中，他们至少在2/3的投票上出现了一致。选择“连线可视度（Edge Visibility）＝协同比例（percent_agree）”，如下图所示填好“选项”一列，并点击“OK”：

现在点击“自动填充”，重新生成图形。记得将“布局（Layout）”选项设成Fruchterman-Reingold模式，这是最合适此系列数据的自动布局算法。多次点击“再布局(Lay Out Again)”，直到得到两簇清晰的关系群。

正如所料，这些群簇与民主党和共和党相对应。但有三个共和党议员和其他人显著不同。他们是谁？我们要再次用“自动填充列”来寻找他们。

在“顶点”标签里，选择“Vertex Label＝Vertex”，以名字标示每个点所代表的参议员。点击“自动填充”，然后“关闭”，接着点击“再布局”，直到获得以下图形：

关系网中最有趣的议员是来自缅因州的Susan Collins和来自阿拉斯加州的Lisa Murkowski，他们俩和民主党关系密切，却和自己党派的议员貌合神离。尤其是Collins，她是联系两党的唯一节点。我们通过计算一些关系网指标来定制图形，以标注她在关系网中的角色。

NodeXL能计算以下这些社会网络研究中的常见指标：

程度（Degree），指每个节点拥有的关系链接数。对于指向型关系网，有内向程度（In-degree）和外向程度（Out-degree）之分，前者是指向内部的关系链接数，后者是指向外部的关系链接数。

特征向量中心性（Eigenvector centrality）所关注的不仅包括某一节点的关系链接数量，还包括与该节点相链接的是哪些节点，以及那些节点各自的关系链接数量是多少。

中介中心性（Betweenness centrality）则揭示出每个节点在不同关系网间提供“桥梁作用”的重要程度。它所特别标出的点，是一些移除后会导致整个网络崩塌的重要节点。

接近中心性（Closeness centrality）用于量度关系网中每个节点离其他节点的平均距离。它特别标出以较少连线与其他节点联系的点——这就类似于Kevin Bacon的六度理论（即在世界上任意两个陌生人之间只隔着六个人）。

在我们选用的这个例子里，“中介中心性”是一个有趣的指标，因为它能标示出最具“两党性”的议员。选择“图形指标（Graph Metrics）”，点击“Vertex中介和接近中心性”，然后点击“计算指标”：

“顶点”表中的相关列中就会出现如下数据：

现在根据“中介中心性（betweenness centrality）”这一指标来决定参议员簇的大小。点击“自动填充列”，选择“顶点标签”，然后设置“Vertex大小＝中介中心性”。使用“选项”，设置极大值为20，点击“OK”。

点击“自动填充”并关闭窗口。接着点击“再分布”，直到出现下图（可能需要调整极大值以获取有意义的图像）：

现在该保存图像了。右键点击图像，选择“保存图像到文件”>“图像选项”以定制图片大小。再次点击右键，选择“保存图像到文件”>“以PNG和JPEG等格式保存图像”。

我们已经根据党派给议员们标示了颜色，但其实NodeXL也可用聚类算法探查模式相似的顶点集合。选择“组（Groups）”>“以群分组（Group by Cluster）”，并选择“Clauset-Newman-Moore”聚类算法。点击“刷新图形”，继续点击“再分布”，直到得到下图：

Collins和Murkowski均为共和党人，但在2013年的投票行为模式上，聚类算法将她们归在民主党内。

想要学习更多NodeXL使用技巧，请参考Analyzing Social Media Networks With NodeXL一书。