企业官网建设流程全解析

简介：这份资源是哈尔滨工业大学计算机课程实验中的社交网络分析项目，面向高校计算机相关专业学生及需要完成课程设计的学习者，帮助其将数据挖掘、图论与算法实现等理论落地为可运行代码。压缩包为zip格式，整体约1.74MB，内含源码与说明书，源码可用于阅读和调试算法实现，说明书则梳理实验目的、方法与结论，便于对照理解整体思路。实验覆盖社交网络分析的核心内容，包括数据预处理、图的遍历、社区检测、中心性分析以及数据可视化等环节，读者可借助源码掌握NetworkX等工具的使用方式，并理解度中心性、介数中心性等指标的计算逻辑。目前已有153人学习，适合希望提升编程实践、数据分析与问题解决能力，并需要一份完整课程实验参考的学习者。

1. 从一份课设压缩包说起：社交网络分析到底在算什么

很多人第一次拿到「哈尔滨工业大学计算机课程实验-社交网络分析-内含源码和说明书.zip」这类压缩包，第一反应是解压、找 README、跑 main。但真跑起来才发现，社交网络分析不是把图读进来算个度就完事——它要回答的是「谁和谁关系近」「信息从哪条路径扩散最快」「哪个节点删掉会让整个网络裂开」。这套实验通常围绕图论基础、中心性指标、社区发现、传播模型四条主线展开，配套源码多半是 Python + NetworkX，说明书负责交代数据集格式和实验步骤。它适合两类人：一是正在做计算机课程实验、需要一份能跑通参考实现的学生；二是想快速补齐图分析工程能力、把 NetworkX 用进真实业务的开发者。下面按「数据怎么进 → 指标怎么算 → 社区怎么分 → 传播怎么模拟 → 坑在哪」的顺序拆开讲，每一步都给可复现的命令和参数。

2. 把图读进来：数据集格式与 NetworkX 建图的最小闭环

2.1 先确认边表长什么样，再决定用哪张图

社交网络分析实验的数据集，九成以上是边表（edge list）或邻接表。边表每行两个节点 ID，用空格或逗号分隔；邻接表则是「节点: 邻居1 邻居2」。拿到数据先别急着read_edgelist，用head和wc -l看一眼规模和分隔符，否则后面报的错全是格式问题。

# 看前 5 行，确认分隔符是空格还是逗号 head -5 edges.txt # 统计边数，估算图规模 wc -l edges.txt # 看是否有表头或注释行 grep -n "^#" edges.txt | head

逻辑说明：head决定后续delimiter参数；wc -l让你心里有数——几千条边和几百万条边，建图策略完全不同。参数上，如果文件带表头，read_edgelist要加comments='#'或先skiprows。常见翻车点是分隔符写成','但实际是制表符，结果整行被当成一个节点 ID。

2.2 用 NetworkX 建图并做第一轮体检

确认格式后，建图本身只有几行，但体检不能省。孤立节点、自环、重复边这三样不处理，后面中心性算出来全是噪声。

import networkx as nx # 读边表，nodetype=int 保证节点 ID 是整数而非字符串 G = nx.read_edgelist('edges.txt', delimiter=' ', nodetype=int, create_using=nx.Graph()) # 体检：节点数、边数、是否连通、有无自环 print('节点数:', G.number_of_nodes()) print('边数:', G.number_of_edges()) print('自环数:', nx.number_of_selfloops(G)) print('连通分量数:', nx.number_connected_components(G)) # 去掉自环和孤立节点 G.remove_edges_from(nx.selfloop_edges(G)) G.remove_nodes_from(list(nx.isolates(G)))

逻辑说明：create_using=nx.Graph()建无向图，如果实验要求有向图就换nx.DiGraph()。nodetype=int很关键，不指定的话节点是字符串，后面按 ID 排序会得到字典序而非数值序。参数上，delimiter必须和 2.1 看到的一致。体检输出里，连通分量数大于 1 说明图不连通，算全局指标前要么取最大连通子图，要么在报告里注明。

提示：最大连通子图用G.subgraph(max(nx.connected_components(G), key=len)).copy()，直接切片会返回视图，后续修改会污染原图。

2.3 小图和大图的建图策略要分开

实验数据通常不大，但如果你拿真实社交数据练手，几百万边用read_edgelist会吃满内存。常见做法是先用pandas读边表去重，再转成 NetworkX；或者直接用scipy.sparse存邻接矩阵，只在需要图算法时转回来。

import pandas as pd import networkx as nx # 大图：pandas 去重后再建图，省内存 df = pd.read_csv('edges.txt', sep=' ', header=None, names=['src', 'dst']) df = df.drop_duplicates() G = nx.from_pandas_edgelist(df, 'src', 'dst')

逻辑说明：drop_duplicates去掉重复边，from_pandas_edgelist比逐行add_edge快一个量级。参数上，names要和列数对上，否则 pandas 会把第一行当表头。这一步的边界是：如果边表超过内存，就得换graph-tool或分块读，NetworkX 本身不适合十亿级边。

3. 中心性指标怎么选：度、介数、接近度的适用边界

3.1 三个中心性各回答什么问题

度中心性（degree）看谁连接多，介数中心性（betweenness）看谁在最短路径上卡位，接近中心性（closeness）看谁到所有人平均距离短。实验里通常要求三个都算，但报告里要能说清哪个指标对应哪个业务含义。度中心性适合找活跃用户，介数适合找信息枢纽，接近适合找传播起点。

import networkx as nx deg = nx.degree_centrality(G) btw = nx.betweenness_centrality(G, k=500, normalized=True) clo = nx.closeness_centrality(G) # 按介数排序取前 10 top_btw = sorted(btw.items(), key=lambda x: x[1], reverse=True)[:10] print(top_btw)

逻辑说明：degree_centrality是度除以 n-1，betweenness_centrality的k参数是采样节点数，大图必须设，否则 O(nm) 跑不动。normalized=True让结果落在 0 到 1 之间便于比较。参数上，k=500是经验值，图越大可以越小，但太小会导致介数估计不稳。常见误用是拿介数中心性去衡量「影响力」，其实介数高只说明它在路径上，不代表它能影响别人。

3.2 介数中心性的采样与精度权衡

介数中心性是实验里最容易跑崩的一步。精确算法对每个节点做一次 BFS，复杂度 O(nm)，几千节点还能忍，上万节点就得采样。

# 精确算法，小图用 btw_exact = nx.betweenness_centrality(G, normalized=True) # 采样算法，大图用，k 越大越准 btw_approx = nx.betweenness_centrality(G, k=200, normalized=True, seed=42) # 对比两者排名相关性 import numpy as np exact_rank = [n for n, _ in sorted(btw_exact.items(), key=lambda x: x[1], reverse=True)] approx_rank = [n for n, _ in sorted(btw_approx.items(), key=lambda x: x[1], reverse=True)] print('Top10 重合数:', len(set(exact_rank[:10]) & set(approx_rank[:10])))

逻辑说明：seed固定采样随机性，保证实验可复现。k的取值没有公式，一般取min(500, n)，然后看 Top10 重合数是否稳定。参数上，如果重合数低于 7，说明 k 太小，要往上加。这一步的坑是：采样后不同节点被选中的概率不同，直接比较绝对数值没意义，只能比排名。

3.3 中心性结果的归一化与可视化

算完指标要出图，否则实验报告没说服力。NetworkX 自带draw，但节点一多就糊成一团，常见做法是按中心性调整节点大小和颜色。

import matplotlib.pyplot as plt pos = nx.spring_layout(G, seed=42, k=0.15) node_size = [deg[n] * 3000 for n in G.nodes()] node_color = [btw[n] for n in G.nodes()] plt.figure(figsize=(12, 8)) nx.draw_networkx_edges(G, pos, alpha=0.2) nx.draw_networkx_nodes(G, pos, node_size=node_size, node_color=node_color, cmap='YlOrRd') plt.axis('off') plt.savefig('network.png', dpi=150, bbox_inches='tight')

逻辑说明：spring_layout的k控制节点间距，太小会挤在一起，太大会散开。node_size乘 3000 是经验系数，让度大的节点明显更大。cmap='YlOrRd'让介数高的节点偏红。参数上，seed固定布局，dpi决定输出清晰度。常见翻车是节点数超过 500 还画标签，结果全叠在一起，这时候要么只标 Top20，要么换pyvis做交互图。

4. 社区发现：Louvain 与标签传播的落地差异

4.1 Louvain 的模块度优化逻辑

社区发现实验通常要求对比两种算法。Louvain 通过两阶段迭代最大化模块度 Q，先局部移动节点，再聚合社区成超节点。它的优点是快且结果稳定，缺点是分辨率限制——小社区可能被合并。

import networkx as nx import community as community_louvain # python-louvain 包 # Louvain 社区发现 partition = community_louvain.best_partition(G, resolution=1.0, random_state=42) # 模块度 mod = community_louvain.modularity(partition, G) print('模块度 Q:', mod) # 每个社区的大小 from collections import Counter sizes = Counter(partition.values()) print('社区数:', len(sizes), '最大社区:', max(sizes.values()))

逻辑说明：best_partition返回节点到社区 ID 的字典。resolution大于 1 倾向更多小社区，小于 1 倾向更少大社区。random_state固定随机种子。参数上，resolution=1.0是默认值，实验里可以试 0.5 和 2.0 看社区数变化。常见误用是拿模块度当唯一评价标准，模块度高不代表社区有业务意义。

4.2 标签传播的随机性与多次投票

标签传播（LPA）比 Louvain 更快，但结果不稳定，每次跑可能不一样。实验里通常跑多次取众数，或者固定随机种子。

from networkx.algorithms.community import label_propagation_communities # LPA 返回的是社区集合的迭代器 communities = list(label_propagation_communities(G)) print('社区数:', len(communities)) # 转成节点到社区 ID 的字典 lpa_partition = {} for cid, nodes in enumerate(communities): for n in nodes: lpa_partition[n] = cid

逻辑说明：label_propagation_communities不接受seed参数，所以结果天然随机。要稳定就多跑几次，用Counter统计每个节点最常出现的社区。参数上，LPA 没有可调参数，这也是它不如 Louvain 可控的地方。边界是：LPA 适合超大图快速粗分，Louvain 适合需要可复现结果的实验报告。

4.3 两种算法的对比表与选择建议

选择建议：课程实验优先 Louvain，因为结果可复现、模块度可写进报告；如果数据规模大到 Louvain 跑不动，再用 LPA 做初筛。两者都跑一遍对比社区数，是实验报告里常见的加分项。

5. 传播模型模拟：SI、SIR 与独立级联的参数设置

5.1 SIR 模型的三个参数怎么定

SIR 模型把节点分成易感 S、感染 I、恢复 R 三态。关键参数是感染概率 beta 和恢复概率 gamma，基本再生数 R0 = beta/gamma。R0 大于 1 疫情扩散，小于 1 自然消亡。

import networkx as nx import random def sir_simulation(G, beta=0.3, gamma=0.1, initial_infected=5, steps=50): # 初始化状态 status = {n: 'S' for n in G.nodes()} infected = random.sample(list(G.nodes()), initial_infected) for n in infected: status[n] = 'I' history = [] for _ in range(steps): new_infected = [] new_recovered = [] for n in G.nodes(): if status[n] == 'I': # 恢复 if random.random() < gamma: new_recovered.append(n) # 感染邻居 for nb in G.neighbors(n): if status[nb] == 'S' and random.random() < beta: new_infected.append(nb) for n in new_infected: status[n] = 'I' for n in new_recovered: status[n] = 'R' history.append(sum(1 for s in status.values() if s == 'I')) return history

逻辑说明：beta控制单次接触感染概率，gamma控制恢复速度。initial_infected是初始感染人数，steps是模拟轮数。参数上，beta=0.3, gamma=0.1对应 R0=3，属于强扩散。常见翻车是 beta 设太大，一轮全感染，曲线没有形状；或者 gamma 设太大，感染还没扩散就恢复完了。

5.2 独立级联模型与影响力最大化

独立级联（IC）模型里，每个刚激活的节点有一次机会以概率 p 激活邻居。它更贴近信息传播场景，常和影响力最大化实验一起出现。

def ic_simulation(G, p=0.1, seeds=None, steps=50): if seeds is None: seeds = random.sample(list(G.nodes()), 5) active = set(seeds) newly_active = set(seeds) history = [len(active)] for _ in range(steps): next_active = set() for n in newly_active: for nb in G.neighbors(n): if nb not in active and random.random() < p: next_active.add(nb) if not next_active: break active |= next_active newly_active = next_active history.append(len(active)) return history

逻辑说明：p是单次激活概率，seeds是初始种子节点。newly_active保证每个节点只尝试激活邻居一次。参数上，p=0.1是常见起点，p 越大传播越快。边界是：IC 模型假设激活机会只有一次，和 SIR 可以反复感染不同，实验报告里要写清用的是哪个模型。

5.3 传播模拟的重复实验与置信区间

单次模拟结果随机性大，实验里通常跑 100 次取均值和标准差。

import numpy as np results = [sir_simulation(G, beta=0.3, gamma=0.1)[-1] for _ in range(100)] print('最终感染规模均值:', np.mean(results)) print('标准差:', np.std(results)) print('95% 置信区间:', np.percentile(results, [2.5, 97.5]))

逻辑说明：重复实验消除单次随机性，np.percentile给出置信区间。参数上，100 次是平衡精度和耗时的经验值，图大可以降到 30 次。常见误用是只跑一次就下结论，结果换个种子完全不一样。

6. 避坑与排查：课设跑不通时先看这五条

6.1 现象：read_edgelist报节点 ID 转换失败

原因：边表里有非整数节点 ID，比如用户名或带字母的编号，但代码写了nodetype=int。解决：先head看数据，如果 ID 是字符串就去掉nodetype=int，或者用nodetype=str显式指定。

6.2 现象：介数中心性跑了一小时没结果

原因：图节点数上万，精确介数复杂度 O(nm)，内存和时间都扛不住。解决：加k=200走采样算法，或者先取最大连通子图缩小规模。如果实验要求精确值，就换小数据集。

6.3 现象：Louvain 社区数和预期差很多

原因：resolution参数没调，默认 1.0 可能把该分开的社区合并了。解决：试resolution=0.5和2.0，看社区数变化，报告里注明用的分辨率。另外确认图是无向的，Louvain 对有向图支持不好。

6.4 现象：SIR 模拟曲线一直是 0 或直接爆掉

原因：beta和gamma比例失衡。R0 = beta/gamma 小于 1 时疫情自然消亡，曲线贴地；beta 接近 1 时一轮全感染，曲线直上直下。解决：先算 R0，控制在 1.5 到 3 之间，再微调steps让曲线完整。

6.5 现象：可视化图节点全挤在一起

原因：spring_layout的k参数太小，或者节点数太多。解决：调大k到 0.3 以上，节点超过 500 就只画最大连通子图，或者换pyvis做交互。标签只标 Top20，别全标。

7. 进阶技巧：用模块度增量和 R0 反推实验结论

跑通基础流程后，真正拉开实验报告差距的是「用指标反推结论」。两个具体技巧：一是用 Louvain 的模块度增量判断社区划分是否值得再调分辨率，二是用 SIR 的 R0 反推传播阈值。

模块度增量这样看：先跑resolution=1.0记下 Q 值，再跑 0.8 和 1.2，如果 Q 变化小于 0.01，说明分辨率已经到平台期，再调没意义；如果变化大于 0.05，说明还有优化空间，可以继续二分逼近。这个技巧在实验报告里写出来，比单纯贴一个 Q 值有说服力得多。

import community as community_louvain for res in [0.6, 0.8, 1.0, 1.2, 1.5]: part = community_louvain.best_partition(G, resolution=res, random_state=42) q = community_louvain.modularity(part, G) print(f'resolution={res}, Q={q:.4f}, 社区数={len(set(part.values()))}')

逻辑说明：resolution从小到大扫，观察 Q 和社区数的变化趋势。参数上，步长 0.2 是平衡精度和耗时的选择。如果 Q 在某点后下降，说明分辨率过大把社区切碎了。

R0 反推传播阈值：SIR 模拟里，R0 = beta/gamma。如果实验要求找「传播临界点」，就固定 gamma，从小到大扫 beta，看最终感染规模在哪跳变。跳变点对应的 beta 就是阈值，和理论值 1/gamma 对比，能验证模拟是否正确。

import numpy as np gamma = 0.1 for beta in np.arange(0.02, 0.3, 0.02): results = [sir_simulation(G, beta=beta, gamma=gamma)[-1] for _ in range(30)] print(f'beta={beta:.2f}, R0={beta/gamma:.2f}, 最终感染={np.mean(results):.1f}')

逻辑说明：np.arange扫 beta，每个 beta 跑 30 次取均值。参数上，步长 0.02 足够看出跳变。理论阈值是 beta = gamma = 0.1，模拟里感染规模应该在这附近明显上升。如果模拟阈值和理论差很远，检查图是否连通、初始感染数是否太少。

我自己的习惯是：每跑完一个模型，先把参数和结果存成 CSV，再画图。这样调参时不用重跑，直接读表对比。血泪经验是，实验报告里最容易被问的不是「你用了什么算法」，而是「你为什么选这个参数」——把扫描过程留下来，比事后编理由靠谱得多。希望帮到你。

本文还有配套的精品资源，点击获取