### Python实现关键词共现网络可视化 要实现关键词共现网络分析并将其可视化，可以利用`networkx`库构建网络图，并使用`matplotlib`或`plotly`进行绘图。以下是完整的解决方案： #### 数据准备 假设有一个关键词列表及其对应的共同出现次数矩阵作为输入数据。 ```python import networkx as nx import matplotlib.pyplot as plt import pandas as pd import numpy as np # 假设这是关键词列表 keywords = ['机器学习', '人工智能', '大数据', '云计算', '物联网'] # 构造一个共同出现次数的邻接矩阵（对称矩阵） co_occurrence_matrix = [ [0, 3, 2, 1, 4], [3, 0, 5, 2, 3], [2, 5, 0, 6, 1], [1, 2, 6, 0, 2], [4, 3, 1, 2, 0] ] df_co_occurrence = pd.DataFrame(co_occurrence_matrix, index=keywords, columns=keywords) # 创建无向图 G = nx.Graph() # 添加节点，节点大小基于其总出现次数 for node in keywords: total_occurrences = df_co_occurrence[node].sum() G.add_node(node, size=total_occurrences * 100) # 放大倍数以便于观察 # 添加边，边权重基于共同出现次数 for i in range(len(keywords)): for j in range(i + 1, len(keywords)): weight = co_occurrence_matrix[i][j] if weight > 0: # 只有当共同出现次数大于零时才添加边 G.add_edge(keywords[i], keywords[j], weight=weight) ``` #### 绘制网络图 使用`matplotlib`绘制网络图，其中节点大小由关键词的总出现次数决定，而连线粗细则取决于共同出现次数。 ```python plt.figure(figsize=(10, 8)) # 计算布局 pos = nx.spring_layout(G, seed=42) # 提取节点属性和边属性 node_sizes = [G.nodes[node]['size'] for node in G.nodes()] edge_weights = [G[u][v]['weight'] for u, v in G.edges()] # 绘制节点 nx.draw_networkx_nodes(G, pos, node_size=node_sizes, alpha=0.7) # 绘制边 nx.draw_networkx_edges(G, pos, width=edge_weights, edge_color='gray', alpha=0.7) # 绘制标签 nx.draw_networkx_labels(G, pos, font_size=10, font_weight="bold") # 显示图形 plt.axis('off') plt.title("关键词共现网络", fontsize=16) plt.show() ``` 以上代码实现了关键词共现网络的可视化[^1]。节点大小反映了关键词的总出现次数，而边的粗细表示了关键词之间共同出现的频率。 如果希望进一步增强交互性，还可以考虑使用`plotly`替代`matplotlib`来创建可缩放、可点击的动态图表[^2]。 --- ### 使用 Plotly 的版本 下面是基于 `plotly` 的实现方式，提供更高的互动性和视觉效果。 ```python import plotly.graph_objects as go # 定义节点位置 pos = nx.spring_layout(G, seed=42) # 将节点坐标提取到单独的数组中 node_x = [] node_y = [] for node in G.nodes(): x, y = pos[node] node_x.append(x) node_y.append(y) # 边的定义 edge_x = [] edge_y = [] for edge in G.edges(data=True): start, end, attr = edge x0, y0 = pos[start] x1, y1 = pos[end] edge_x.extend([x0, x1, None]) edge_y.extend([y0, y1, None]) # 创建边迹线 edge_trace = go.Scatter( x=edge_x, y=edge_y, line=dict(width=0.5, color='#888'), hoverinfo='none', mode='lines') # 创建节点迹线 node_trace = go.Scatter( x=node_x, y=node_y, mode='markers+text', text=list(G.nodes()), textposition="top center", marker=dict( showscale=False, colorscale='YlGnBu', reversescale=True, size=[G.nodes[node]['size']/100 for node in G.nodes()], colorbar=dict(thickness=15, title='Node Connections', xanchor='left', titleside='right'), line_width=2), hovertemplate='%{text}<br>Size=%{marker.size:.2f}') # 设置布局 fig = go.Figure(data=[edge_trace, node_trace], layout=go.Layout(title="关键词共现网络", showlegend=False, hovermode='closest', margin=dict(b=20,l=5,r=5,t=40))) fig.update_layout(showlegend=False) fig.show() ``` 此部分代码展示了如何通过 `plotly` 来生成具有更高交互性的关键词共现网络图[^2]。 --- ### 总结 上述两种方法分别适用于静态和动态场景下的关键词共现网络可视化需求。用户可以根据具体的应用环境选择合适的工具和技术栈。