网络关系图

小象实战讲义 · ECharts 数据可视化

在数据分析中，我们常常需要探索实体之间的关系，例如社交网络中的用户互动、论文中的作者合作、供应链中的企业关联等。这些关系错综复杂，难以用传统的柱状图或折线图清晰表达。本节将学习如何使用 网络关系图，将这种非结构化的网络数据转化为直观的可视化图表，帮助你洞察数据背后的连接模式与结构。

💡 核心导读

• 理解网络图构成：网络图由节点和连接两个核心元素构成，分别代表实体和它们之间的关系。
• 掌握数据准备：学会将你的关系型数据（如社交网络、人物关系）处理成 nodes（节点列表）和 links（连接列表）的标准格式。
• 配置基础网络图：使用 pyecharts 的 Graph 类，通过 repulsion（斥力因子）等参数控制图表的布局与美观度。
• 进阶图表制作：学习制作带边属性（如关系强度）和带类别（如不同社群）的网络图，以承载更丰富的信息。

1. 认识网络关系图

网络关系图，也称为图或网络，是一种使用节点（或顶点）和连接线（或边）来显示事物之间连接关系的可视化工具。它擅长阐明一组实体之间的关系类型，尤其适用于描述社交网络、知识图谱、交通网络等具有复杂关系结构的场景。

想象一下你的家庭关系、微博上的关注与转发链，或者一本书中的人物互动，这些都可以抽象成一个网络。网络图的核心价值在于，它将抽象的“关系”变成了视觉上可追踪的“连线”。

在 pyecharts 中，我们使用 Graph 图表类型来绘制网络关系图。其底层依赖于 ECharts 的 graph 系列。请注意，本节使用的 pyecharts 版本为 2.1.0，其默认加载的 ECharts 资源版本为 6。

2. 绘制基础网络关系图

绘制网络图的第一步，是将数据准备成标准格式。任何网络图都需要两个基本的数据结构：nodes（节点列表）和 links（连接列表）。

2.1 准备节点与连接数据

nodes 是一个列表，其中每个元素是一个字典，描述一个节点。最基本的属性是 name（节点名称）。links 也是一个列表，每个元素是一个字典，描述一条从源节点指向目标节点的连接，必须包含 source 和 target 两个键，其值对应 nodes 中某个节点的 name。

下面的代码创建了5个节点，并生成了一个“全连接”网络（即每个节点都与其他所有节点相连，包括自身）。

# 导入必要的库
from pyecharts import options as opts
from pyecharts.charts import Graph

# 1. 准备节点数据
nodes = [
    {"name": "结点1", "symbolSize": 10},
    {"name": "结点2", "symbolSize": 20},
    {"name": "结点3", "symbolSize": 30},
    {"name": "结点4", "symbolSize": 40},
    {"name": "结点5", "symbolSize": 50},
]

# 2. 准备连接数据（全连接示例）
links = []
for i in nodes:
    for j in nodes:
        links.append({"source": i["name"], "target": j["name"]})

# 打印连接数据，观察结构
print("连接数据 links 的长度:", len(links))
print("前3条连接示例:", links[:3])

印刷输出：

连接数据 links 的长度: 25
前3条连接示例: [{'source': '结点1', 'target': '结点1'}, {'source': '结点1', 'target': '结点2'}, {'source': '结点1', 'target': '结点3'}]

注意：pyecharts（基于 ECharts）默认不便于绘制节点的“自连接”（即 source 和 target 是同一个节点）。虽然数据中可以包含，但可视化时通常不会有效显示。网络图主要用于展示不同节点间的联系。

2.2 绘制图表与理解“斥力因子”

有了标准格式的数据，就可以用 Graph().add() 方法绘制图表。一个关键的布局参数是 repulsion（斥力因子）。

# 3. 绘制基础网络关系图
chart = (
    Graph()
    .add(
        series_name="",  # 系列名称，可为空
        nodes=nodes,
        links=links,
        repulsion=50,  # 斥力因子，控制节点间的排斥力
        edge_symbol=["none", "arrow"],  # 在连线目标端显示箭头
    )
    .set_global_opts(title_opts=opts.TitleOpts(title="基础网络关系图"))
)

# 生成HTML文件（本地查看用）
chart.render("basic_graph.html")
print(f"图表类型: {type(chart).__name__}")
print("图表标题: 基础网络关系图")
print("图表已生成，可使用浏览器打开 basic_graph.html 查看交互效果。")

印刷输出：

图表类型: Graph
图表标题: 基础网络关系图
图表已生成，可使用浏览器打开 basic_graph.html 查看交互效果。

关键参数解读：repulsion（斥力因子）

• 作用：这是一个力引导布局参数，值越大，节点之间的排斥力越强，节点在画布上会分布得越开。
• 使用场景：当节点数量很多时，较小的 repulsion 值可能导致节点重叠、遮挡。适当调大此值（如设为 4000 或 8000）可以帮助生成布局更清晰、美观的图形。
• 体验建议：在 Jupyter Notebook 环境外，你可以通过修改 repulsion 的值并重新运行代码，观察生成的 HTML 文件中节点布局的变化。

在生成的图表中，你可以将鼠标悬停在任意节点或连线上，pyecharts 会显示相应的信息。连线上的箭头指示了关系的方向（从 source 指向 target）。

3. 绘制带边属性的网络关系图

在实际应用中，节点之间的“关系”本身可能带有属性，例如社交互动的次数、货物运输的成本、合作关系的强度等。我们可以将这些属性赋予“边”，并在图上展示出来。

pyecharts 提供了更规范的数据类来构建这类图表：opts.GraphNode 用于构建节点，opts.GraphLink 用于构建带属性的连接。

from pyecharts import options as opts
from pyecharts.charts import Graph

# 1. 使用 GraphNode 和 GraphLink 准备数据
nodes_data = [
    opts.GraphNode(name="结点1", symbol_size=10),
    opts.GraphNode(name="结点2", symbol_size=20),
    opts.GraphNode(name="结点3", symbol_size=30),
    opts.GraphNode(name="结点4", symbol_size=40),
    opts.GraphNode(name="结点5", symbol_size=50),
]

# 创建一个环状连接，并为每条边赋予一个值 (value)
links_data = [
    opts.GraphLink(source="结点1", target="结点2", value=2),
    opts.GraphLink(source="结点2", target="结点3", value=3),
    opts.GraphLink(source="结点3", target="结点4", value=4),
    opts.GraphLink(source="结点4", target="结点5", value=5),
    opts.GraphLink(source="结点5", target="结点1", value=6),
]

# 2. 绘制带边属性的网络图
chart_with_edge = (
    Graph()
    .add(
        series_name="",
        nodes=nodes_data,
        links=links_data,
        repulsion=4000,
        # 配置边标签 (edge_label)
        edge_label=opts.LabelOpts(
            is_show=True,          # 显示标签
            position="middle",     # 标签位置在线的中间
            formatter="{b} 的数据 {c}"  # 标签格式：b是数据项名称，c是数据值
        ),
    )
    .set_global_opts(title_opts=opts.TitleOpts(title="带边属性的网络关系图"))
)

chart_with_edge.render("graph_with_edge.html")
print(f"边属性图表已生成。连接数量: {len(links_data)}")
print("边标签格式示例: '结点1 > 结点2 的数据 2'")

印刷输出：

边属性图表已生成。连接数量: 5
边标签格式示例: '结点1 > 结点2 的数据 2'

在这张图中，每条连接线上都直接显示了其 value 值。edge_label 的 formatter 参数让你可以自定义标签的显示内容，其中 {b} 对应数据项名称。GraphLink 未单独命名时，ECharts 会把连接自动命名为 source > target，例如 结点1 > 结点2；{c} 对应数据值（即我们设置的 value）。

4. 绘制带类别的网络关系图

在更复杂的网络（如大型社交网络）中，节点往往属于不同的群体或类别。例如，微博转发网络中，用户可能根据其转发的核心源头（如“新浪体育”、“人民日报”）形成不同群落。用不同颜色区分这些类别，能使网络结构一目了然。

这类图表需要三个数据部分：nodes、links 和 categories（类别列表）。每个节点需要通过 category 属性（索引值）声明其所属类别。

下面用一组固定的迷你微博转发数据直接演示。categories 是类别列表，每个节点的 category 值是该列表的索引。

from pyecharts import options as opts
from pyecharts.charts import Graph

categories = [{"name": "体育"}, {"name": "科技"}, {"name": "财经"}]
nodes = [
    {"name": "体育源", "symbolSize": 35, "category": 0},
    {"name": "科技源", "symbolSize": 35, "category": 1},
    {"name": "财经源", "symbolSize": 35, "category": 2},
    {"name": "用户A", "symbolSize": 18, "category": 0},
    {"name": "用户B", "symbolSize": 16, "category": 0},
    {"name": "用户C", "symbolSize": 20, "category": 1},
    {"name": "用户D", "symbolSize": 17, "category": 1},
    {"name": "用户E", "symbolSize": 19, "category": 2},
]
links = [
    {"source": "体育源", "target": "用户A"},
    {"source": "体育源", "target": "用户B"},
    {"source": "科技源", "target": "用户C"},
    {"source": "科技源", "target": "用户D"},
    {"source": "财经源", "target": "用户E"},
    {"source": "用户A", "target": "用户C"},
]

chart_with_category = (
    Graph()
    .add(
        series_name="",
        nodes=nodes,
        links=links,
        categories=categories,  # 传入类别定义
        repulsion=50,
        linestyle_opts=opts.LineStyleOpts(curve=0.2),  # 设置连线为轻微曲线，更美观
        label_opts=opts.LabelOpts(is_show=False),     # 节点太多，默认不显示名称
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="迷你微博转发关系图（带类别）"),
        legend_opts=opts.LegendOpts(is_show=False),   # 类别多时，可关闭图例避免遮挡
    )
)

chart_with_category.render("graph_with_category.html")
print(f"节点数量: {len(nodes)}")
print(f"连接数量: {len(links)}")
print(f"类别数量: {len(categories)}")
print("带类别的网络图已生成。")
print("提示：不同颜色的节点代表不同的转发源头类别。")

印刷输出：

节点数量: 8
连接数量: 6
类别数量: 3
带类别的网络图已生成。
提示：不同颜色的节点代表不同的转发源头类别。

打开生成的 HTML 文件，你会看到节点被渲染成不同的颜色，每个颜色对应一个类别（即一个微博信息源）。力引导布局会让联系紧密的节点（同一类别内转发频繁）聚集在一起，而不同类别之间通过少量的“桥梁”连接。将鼠标悬停在某个中心节点上，高亮显示的将是与其直接相连的所有节点和边，这非常有助于分析某个信息源的影响力范围。

📝 动手练一练

1. 调整布局体验：将“基础网络关系图”示例代码中的 repulsion 参数依次修改为 10、2000、8000，分别生成 HTML 文件并在浏览器中打开。观察并描述节点布局随着斥力因子增大发生了怎样的变化。

2. 创建小型社交网络：请你模拟一个包含4位朋友（A, B, C, D）的小型社交网络。已知关注关系为：A关注B和C，B关注C和D，C关注A，D关注A和B。请编写代码，构建 nodes 和 links 数据，并绘制一张网络图。尝试将“关注”这一关系的强度（假设是互动频率）用边的 value 表示（可自定义数值），并显示在连线上。

from pyecharts import options as opts
from pyecharts.charts import Graph

# 定义节点
nodes = [
    opts.GraphNode(name="A", symbol_size=20),
    opts.GraphNode(name="B", symbol_size=20),
    opts.GraphNode(name="C", symbol_size=20),
    opts.GraphNode(name="D", symbol_size=20),
]

# 定义连接（关注关系）及属性（互动频率）
links = [
    opts.GraphLink(source="A", target="B", value=5),
    opts.GraphLink(source="A", target="C", value=3),
    opts.GraphLink(source="B", target="C", value=8),
    opts.GraphLink(source="B", target="D", value=2),
    opts.GraphLink(source="C", target="A", value=4),
    opts.GraphLink(source="D", target="A", value=6),
    opts.GraphLink(source="D", target="B", value=1),
]

# 绘制图表
chart = (
    Graph()
    .add(
        "",
        nodes,
        links,
        repulsion=3000,
        edge_label=opts.LabelOpts(is_show=True, position="middle", formatter="互动: {c}"),
    )
    .set_global_opts(title_opts=opts.TitleOpts(title="小型社交网络"))
)

chart.render("mini_social_network.html")
print("社交网络图已生成。")

社交网络图已生成。

本章小结

本节我们深入学习了网络关系图的原理与实现。网络图是将复杂关系可视化的利器，其核心在于将数据抽象为节点和连接。

📋 行动清单

• 掌握数据转换：尝试将你手头的一份关系型数据（如项目合作成员表、产品关联购买记录）整理成 nodes 和 links 的列表格式。
• 实践参数调优：对一个节点数超过20的网络数据，反复调整 repulsion、edge_label 等参数，生成并对比不同布局效果的图表，找到信息可读性与美观度的平衡点。
• 探索真实场景：思考你所在领域（如金融风控、社区运营、知识管理）中，哪些问题可以建模成网络并用本节所学进行可视化分析。

—— 小象教研组