包含关键词“生物信息学”的推文示例

由Kaizong Ye，Coin Ge撰写

第1步：加载所需的软件包

可下载资源

# 加载所需的软件包
 
 
library(igraph)

自社交网络诞生以来，有关学者和专家就对社交网络的概念定义和内涵解释存在不少争议，且国内外的学者对社交网络的研究更多的集中于其商业及社交价值，加之社交网络这一存在不断变化发展的过程中，使得学界对社交网络的定义更加模糊不淸c

学者Amelman (2003)对社交网络的定义是：社交网络是一个虚拟的个人空间，用户在空间里上传个人资料，兴趣爱好，并且不断更新自我状态与信息，同时连接聚集到一个或多个可信赖的朋友或同亊群体屮，使用社交网络提供的多种应用工具丰富充实空间里的信息资料，同时达到增进群体内部关系的目的。

综合网络及国内.外学者对社交网络的研究，本文将社交网络定义为：以社交软件（Social Network Software)为工具，以社交网站（Social Network Site)为载体，通过一系列网站应用为人们提供社会性网络服务，帮助人们建立网络社交关系的交往平台。也就是我们平常所说的社交网站

第2步：收集关于“生物信息学”的推文

# 包含“生物信息学”的英语推文
dm_tweets = searchTwitter("bioinformatics", n=500,)
 
# 得到文本
 
dm_txt = sapply(dm_tweets, function(x) x$getText())

第3步：识别转发

# 查找转发的正则表达式
 
grep("(RT|via)((?:\\b\\W*@\\w+)+)", dm_tweets,
 
 
# 哪些推文是转发推文
 
rt_patterns = grep("(RT|via)((?:\\b\\W*@\\w+)+)",
 
dm_txt, ignore.case=TRUE)
 
# 显示转发（这些是我们要关注的转发）
 
dm_txt[rt_patterns]

视频

复杂网络分析CNA简介与R语言对婚礼数据聚类（社区检测）和可视化

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

第4步：收集谁转发和谁发布

我们将使用这些结果来形成边列表以创建图形

# 创建列表以存储用户名
 
who_retweet = as.list(1:length(rt_patterns))
 
 
# for循环
 
for (i in 1:length(rt_patterns))
 
{
 
# 通过转发实体获取消息
 
twit = dm_tweets[[rt_patterns[i]]]
 
# 获取转推源
 
poster = str_extract_all(twit$getText(),
 
"(RT|via)((?:\\b\\W*@\\w+)+)")
 
#删除':'
 
poster = gsub(":", "", unlist(poster))


# 转推的用户名
 
who_post[[i]] = gsub("(RT @|via @)", "", poster, ignore.case=TRUE)
 
# 转推用户名
 
who_retweet[[i]] = rep(twit$getScreenName(), length(poster))
 
 
 
# 转换列表为向量格式
 
who_post = unlist(who_post)

第5步：从编辑清单创建图形

# 两列边矩阵
 
retweeter_poster = cbind(who_retweet, who_post)
 
# 产生图
 
rt_graph = graph.edgelist(retweeter_poster)
 
# 获取点名称
 
ver_labs = get.vertex.attribute(rt_graph, "name", index=V(rt_graph))

第6步：让我们绘制图

# 选择绘图布局
 
glay = layout.fruchterman.reingold(rt_graph)
 
# 绘图
 
par(bg="gray15", mar=c(1,1,1,1))
 
plot(rt_graph, layout=glay,
 
 
vertex.label.color=hsv(h=0, s=0, v=.95, alpha=0.5),
 
 
edge.width=3,
 
edge.color=hsv(h=.95, s=1, v=.7, alpha=0.5))
 
# 添加标题
 
title("\nTweets with 'bioinformatics': Who retweets whom",
 
cex.main=1, col.main="gray95")

最受欢迎的见解

1.采用spss-modeler的web复杂网络对所有腧穴进行分析

2.用R语言和python进行社交网络中的社区检测

3.R语言文本挖掘NASA数据网络分析，tf-idf和主题建模

4.在R语言中使用航空公司复杂网络对疫情进行建模

5.python隶属关系图模型基于模型的网络中密集重叠社区检测

6.使用Python和SAS Viya分析社交网络

7.关联网络分析：已迁离北京外来人口的数据画像

8.情感语义网络：游记数据感知旅游目的地形象

9.用关联规则数据挖掘探索药物配伍中的规律

python隶属关系图模型:基于模型的网络中密集重叠社区检测方法

阅读文章 ➜

第7步：生物信息学表示

# 绘制另外一个图
 
par(bg="gray15", mar=c(1,1,1,1))
 
plot(rt_graph, layout=glay,
 
 
edge.color=hsv(h=.35, s=1, v=.7, alpha=0.4))
 
# 添加标题
 
title("Tweets with 'bioinformatics': Who retweets whom",
 
cex.main=1, col.main="gray95", family="mono")

可下载资源

关于作者

Kaizong Ye是拓端研究室（TRL）的研究员。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

非常感谢您阅读本文，如需帮助请联系我们！