Gephi · 深度入门手册

分类：可视化绘图 ｜难度：★★☆ 进阶｜编号：gephi

一、这是什么（一句话用途）

复杂网络/图结构可视化与社区发现，节点多、关系网首选。

二、核心定位

导入边列表(节点-关系)，布局算法(ForceAtlas)展开成网络图，按度/社群上色。

三、核心原理剖析

Gephi 是复杂网络分析与可视化的开源利器。它的工作流是：导入节点表+边表（邻接关系）→ 用布局算法把抽象的图结构"铺"到二维平面 → 按节点度、社群、属性上色 → 跑社区发现（Modularity）找圈子。这类"把关系可视化为网络"的能力，是任何表格/统计图都替代不了的——社会关系、引文网络、交通路网、供应链的依赖结构，只有在网络视角下才显形。Gephi 还内置度中心性、介数中心性、模块化等图指标计算，让"谁是关键节点""有哪几个社群"这类问题量化可答。

四、底层机制与推导

力导向布局（Fruchterman-Reingold）：把图当作物理系统——节点间有斥力（像同极电荷），有边相连的节点间有引力（像弹簧）。每轮迭代更新位置：

$F_{rep}(u,v)=\frac{k^2}{d(u,v)}\ (\text{斥力，沿连线推远}),\qquad F_{att}(u,v)=\frac{d(u,v)^2}{k}\ (\text{引力，边缩短})$

其中 $d(u,v)$ 是当前距离， $k$ 为理想边长（与图规模相关）。ForceAtlas2 在此之上加入防止重叠与中心重力的修正。迭代使系统能量下降，最终节点均匀散布、社群因内部连接密集而聚团。

模块度（Modularity）社区发现：划分 $Q$ 度量"实际边密度 vs 随机期望"的差：

$Q=\frac{1}{2m}\sum_{i,j}\left(A_{ij}-\frac{k_i k_j}{2m}\right)\delta(c_i,c_j)$

$A_{ij}$ 为边、 $k_i$ 为节点度、 $m$ 为总边数、 $\delta(c_i,c_j)=1$ 当同社群。最大化 $Q$ （Louvain/Blondel 算法贪心合并）即得社群划分； $Q$ 越高说明社群结构越显著（经验上 $Q>0.3$ 视为有结构）。

五、上手步骤

导入 CSV(节点表+边表)
选布局(ForceAtlas2)展开
按 degree/社群着色
跑社区发现(Modularity)
导出高清图

六、关键命令 / 语法 / 界面要点

数据 → 导入电子表格(边:Source,Target)
布局 → ForceAtlas2(调斥力/缩放)
统计 → Modularity(社区)
外观 → 按度/社群着色

七、最小可跑示例

导入'用户-关注'边表→力导向布局→按社群上色→看出几个圈子。

八、学习资源 / 去哪学

gephi.org 开源免费；需 Java；适合社交网络、引文网络、交通网。

九、常见坑（避坑清单）

Java 环境要配好
大图卡顿(降采样)
边表格式要对(无向/有向)
布局参数需调

十、怎么算用好了

社群模块度越高聚类越好；节点大小=度；看中心节点。

十一、能跑哪些建模算法

可跑：复杂网络分析、聚类可视化、图论结果展示。

本手册由「工具入门手册生成器」自动产出（深度版），与算法深度手册同套体系。

实战案例

Gephi 网络分析实战

场景：有 200 个节点的合作网络（边表），需找核心节点与社区结构。
任务：用 Gephi 计算度中心性、模块化并可视化。

完整代码（text）

1. 导入：File → Open → 选边表 CSV（Source,Target,Weight）
2. 布局：Layout → ForceAtlas2（调斥力防止重叠）
3. 统计：
   - Network Diameter（直径）
   - Modularity（社区检测，Resolution=1.0）
   - Degree（度中心性）
4. 外观：
   - 节点大小 = Degree（度越大点越大）
   - 节点颜色 = Modularity Class（社区分色）
5. 导出：File → Export → SVG/PNG

运行效果

指标	值
节点数	200
边数	634
平均度	6.34
模块化Q	0.62（社区结构明显）
最大度节点	#47（核心枢纽）
识别出 5 个合作社区，节点#47为关键中介。