---

可下载资源

尽管您可以继续进行并简单地发出一系列REST API调用来访问数据  ，但通常使用编程语言来组织您的工作并使之可重复是更有效的。我决定使用Python，因为它在年轻的数据科学家中很流行 。

访问SAS云分析服务（CAS）

SAS Viya的核心是称为SAS Cloud Analytic Services（CAS）的分析运行时环境。为了执行操作或访问数据，需要连接会话。您可以使用二进制连接（建议使用该连接来传输大量数据），也可以通过HTTP或HTTPS通信使用REST API。 

​ s.loadactionset('hyperGroup') ​

加载数据 

为了执行任何分析建模，我们需要数据。 将本地CSV文件上载到服务器，并将数据存储到名为DRUG_NETWORK的表中。该表只有两列数值类型的FROM和TO。

一个简单的汇总统计数据会显示更多详细信息，包括我们数据集中273条边的总数。

 dataset.summary()

图形布局

首先，我们将网络可视化，以基本了解其结构和大小。我们将通过力导向算法来计算顶点的位置。Hypergroup还可以用于查找群集，计算图布局以及确定网络度量标准，例如社区和中心性。

 s.hyperGroup.hyperGroup(
    createOut = "NEVER", # 这样可以禁止创建通常生成的表
    allGraphs = True, # 处理所有图形
    inputs    = ["SOURCE", "TARGET"], #指示边和目标列
    table     = dataset, # 输入数据集
    edges     = table(name='edges',replace=True), # 结果表包含edge属性
    vertices  = table(name='nodes',replace=True)  # 包含点属性的结果表
 )
 renderNetworkGraph() # 使用networkx包创建图形

 呈现了以下网络，并提供了图形的第一视图。我们可以看到两个主要分支，并了解高密度和低密度区域。 

社区检测

为了了解社交网络中用户的关系，我们将分析个人所属的社区。社区检测或聚类是将网络划分为社区，使社区子图中的链接比社区之间的链接更紧密地连接的过程。同一社区中的人们通常具有共同的属性，并表示他们之间有着密切的联系。 

现在，更新后的节点表包含一个附加列_Community_  ，其中包含我们网络中每个节点的值。给定此数据集，我们可以执行基本统计信息，例如跨列的不同计数：

结果表显示，确定了我们网络中的24个社区。

让我们看一下最大的5个最大社区，并分析节点分布。 

我们将获取的行重定向到Python变量中。我们将使用它来生成条形图，显示前5个最大的社区：

这表明最大的社区13具有35个顶点。 以下示例显示社区4中的节点：

最后，让我们再次渲染网络–这次在为节点着色时考虑了社区：

通常，需要根据您的网络规模和期望的结果来调整社区的数量。将小型社区合并为大型社区。社区可以合并：

• 随机进入邻近社区
• 进入顶点数量最少的相邻社区
• 以最大数量的顶点
• 进入已经具有nCommunities顶点的社区

下面将通过指定nCommunities参数将社区总数减少到5 。

集中性分析

分析中心性有助于确定谁在网络中很重要。重要人物将被很好地联系起来，因此对网络中的其他个人具有很高的影响力。就我们针对吸毒者的社交网络而言，这将表明潜在的病毒传播和个人的相关风险行为。

每个度量标准都表示为节点数据集中的输出列。

让我们使用集中度度量之一作为节点大小再次渲染网络。 

子集网络分支

从我们的网络来看，社区2中的用户似乎扮演着重要角色。这由社区的整体中心地位，也由该社区中大多数个人的高beetweenness值表明。以下代码过滤并渲染了社区2的网络，仅使我们对该子网络有了更好的可视化。

上面的示例使用了标准的二维导向图布局。在更复杂的情况下，可能还需要在分析网络结构时考虑使用其他维度。