社会网络分析正迅速成为满足各种专业需求的重要工具. 它可以为企业目标(如定向营销)提供信息，并识别安全或声誉风险. 社会网络分析还可以帮助企业实现内部目标:它提供了对员工行为和公司不同部门之间关系的洞察.

Organizations can employ a number of software solutions for 社会网络分析; each has its pros and cons, 适用于不同的用途. 本文的重点是微软的 Power BI是最常用的一种 数据可视化 tools today. 虽然Power BI提供了许多社交网络附加组件，但我们将在 R 创造更引人注目和灵活的结果.

本教程假设您理解 基本图论，特别是有向图. 另外，后面的步骤最适合Power BI Desktop，它只在Windows上可用. 读者可以在Mac OS或Linux上使用Power BI浏览器, 但是Power BI浏览器不支持某些功能, 例如导入Excel工作簿.

结构化数据可视化

创建社交网络从收集连接(边缘)数据开始. 连接数据包含两个主要字段: source node and the target node-边缘两端的节点. 在这些节点之外, 我们可以收集数据来产生更全面的视觉洞察, 通常表示为节点或边缘属性:

1)节点属性

• Shape or color:用户类型，e.g.，用户的位置/国家
• Size:表示在网络中的重要性，e.g.，用户的关注者数量
• Image:作为单个标识符操作，例如.g.，用户的头像

2)边缘属性

• Color, stroke, or 箭头连接:连接类型，e.g.即连接两个用户的帖子或推文的情绪
• Width:连接强度，e.g.即两个用户在给定时间段内被提及或转发的次数

让我们看看一个社交网络的例子，看看这些属性是如何发挥作用的:

我们也可以使用悬停文本来补充或替换上述参数, 因为它可以支持其他不容易通过节点或边缘属性表示的信息.

比较Power BI的社交网络扩展

定义了社交网络的不同数据特征, 让我们来看看Power BI中用于可视化网络的四种流行工具的优缺点.

Arthur Graus的《欧博体育app下载》, 网络导航器, 和高级网络的ZoomCharts(轻版)都是合适的扩展来开发简单的社交网络，并开始与您的第一个社交网络分析.

However, 如果你想让你的数据生动起来，并通过引人注目的视觉效果发现突破性的见解, 或者如果你的社交网络特别复杂, 我建议使用R开发自定义视觉效果.

这个自定义可视化是本教程在R中的社交网络扩展的最终结果，它展示了R提供的大量特性和节点/边缘属性.

使用R构建Power BI的社交网络扩展

使用R在Power BI中创建可视化社交网络的扩展包括五个不同的步骤. 但是在我们建立我们的社交网络扩展之前，我们必须将我们的数据加载到Power BI中.

前提条件:收集和准备Power BI的数据

您可以使用 test dataset 基于Twitter和Facebook的数据，或者继续你自己的社交网络. Our data has been randomized; you may 下载真实Twitter数据 if desired. 收集所需数据后，将其添加到Power BI中(例如，通过 导入Excel工作簿 or adding data manually). 您的结果应该类似于下表:

设置好数据后，就可以创建自定义可视化了.

步骤1:设置可视化模板

开发Power BI可视化并不简单——即使是基本的可视化也需要数千个文件. 幸运的是，微软提供了一个库 pbiviz，它仅用几行代码就提供了所需的基础设施支持文件. The pbiviz 库也将我们所有的最终文件重新打包到 .pbiviz 文件，我们可以将其直接加载到Power BI中作为可视化.

最简单的安装方法 pbiviz is with Node.js. Once pbiviz 安装后，我们需要通过机器的命令行界面初始化自定义R可视化:

pbiviz new toptalSocialNetworkByBharatGarg - rhtml
cd toptalSocialNetworkByBharatGarg
npm install 
pbiviz package

别忘了更换 toptalSocialNetworkByBharatGarg 为您的可视化提供所需的名称. -t rhtml informs the pbiviz 包，它应该创建一个模板来开发基于r的HTML可视化. 您将看到错误，因为我们还没有在包中指定作者姓名和电子邮件等字段, 但我们将在本教程后面解决这些问题. If the pbiviz 脚本在PowerShell中根本无法运行，您首先可能需要允许使用 Set-ExecutionPolicy RemoteSigned.

成功执行代码后，您将看到一个具有以下结构的文件夹:

一旦我们准备好了文件夹结构，我们就可以为自定义可视化编写R代码了.

步骤2:用R编写可视化代码

在第一步中创建的目录包含一个名为 script.r，它由默认代码组成. (默认代码创建一个简单的Power BI扩展，它使用 iris 样本数据库可用来绘制直方图 Petal.Length by Petal.Species.)我们将更新代码，但保留其默认结构，包括其注释部分.

我们的项目使用了三个R库:

• DiagrammeR:从文本创建图形
• visNetwork:提供交互式网络可视化
• data.table协助数据组织，类似于 data.frame

中的代码替换 库声明 section of script.r 为了反映图书馆的使用情况:

libraryRequireInstall(图)
libraryRequireInstall(“visNetwork”)
libraryRequireInstall(“数据.table")

中的代码 Actual code 节中使用R代码. 在创建可视化之前，我们必须首先读取和处理我们的数据. 我们将从Power BI获取两个输入:

• num_records:数字输入 N，这样我们将只选择最优秀的 N 来自我们网络的连接(限制显示的连接数)
• dataset:我们的社交网络节点和边缘

To calculate the N 我们要绘制的连接，我们需要汇总 num_records 值，因为Power BI默认情况下会提供一个向量，而不是单个数值. 像这样的聚合函数 max 达到这个目标:

limit_connection <- max(num_records)

We will now read dataset as a data.table 具有自定义列的对象. 我们按值降序对数据集进行排序，将最频繁的连接放在表的顶部. 这可以确保我们在限制连接时选择最重要的记录进行绘图 num_records:

dataset <- data.Table (from = dataset[[1]])
                      ，to = dataset[[2]]
                      ，value = dataset[[3]]
                      ，col_sentiment = dataset[[4]]
                      ，col_type = dataset[[5]]
                      ，from_name = dataset[[6]]
                      ，to_name = dataset[[7]]
                      ，from_avatar = dataset[[8]]
                      ，to_avatar = dataset[[9]])[
order(-value)][
Seq (1, min(nrow(dataset)， limit_connection))]

接下来，我们必须通过创建和分配唯一的用户id (uid)，并将其存储在一个新表中. 我们还计算了用户总数，并将该信息存储在一个单独的变量中 num_nodes:

user_ids <- data.表id = unique(c(dataset$from)) 
                                     数据集$to)))[， uid:= 1:.N]

num_nodes <- nrow(user_ids) 

让我们用其他属性更新用户信息，包括:

• 追随者数量(节点大小).
• 记录的数量.
• 用户类型(颜色代码).
• Avatar links.

We will use R’s merge function 更新表:

user_ids <- merge(user_ids, dataset[, .(num_follower = uniqueN(to))， from]， by.x = 'id', by.y = 'from', all.x = T)[is.na(num_follower), Num_follower:= 0][, size := num_follower][num_follower > 0, [Size:= Size + 50], Size:= Size + 10]

user_ids <- merge(user_ids, dataset[, .(sum_val = sum(value))， .(to, col_type)][order(-sum_val)][， id:= 1].N, to][id == 1, .(to, col_type)]， by.x = 'id', by.y = 'to', all.x = T)

User_ids [id %in% dataset$from, col_type:= '#42f548']

user_ids <- merge(user_ids, unique(rbind(dataset[, .('id' = from， 'Name' = from_name， 'avatar' = from_avatar)]，
      dataset[, .(“id”=“名字”= to_name,《欧博体育app下载》= to_avatar))))
      by = 'id')

我们还添加了创建的 uid 到原始数据集，以便我们可以检索 from and to 后面代码中的用户id:

dataset <- merge(dataset, user_ids[, .(id, uid)],
                                by.x = "from", by.y = "id")

dataset <- merge(dataset, user_ids[, .(id, uid_retweet = uid)]，
                                by.x = "to", by.y = "id")

user_ids <- user_ids[order(uid)]

接下来，我们为可视化创建节点和边缘数据帧. We choose the style and shape 的节点(填充圆圈)，并选择我们的 user_ids 表来填充我们的节点 color, data, value, and image attributes:

nodes <- create_node_df(n = num_nodes, 
                        type = "lower",
                        Style = "fill "，
                        Color = user_ids$col_type; 
                        shape = 'circularImage'，
                        数据= user_ids$uid，
                        Value = user_ids$size，
                        Image = user_ids$avatar，
                        title = paste0("
Name: ", user_ids$Name,"
",
                                       "Super UID ", user_ids$id, "
",
                                       "# followers ", user_ids$num_follower, "
",
                                       "
")
                        )

同样地，我们选择 dataset 与边对应的表列 from, to, and color attributes:

edges <- create_edge_df(from = dataset$uid,
                        To = dataset$uid_retweet;
                        arrows = "to",
                        Color = dataset$col_sentiment)

最后，准备好节点和边缘数据帧后，让我们使用 visNetwork 库并将其存储在默认代码稍后将使用的变量中，该变量名为 p:

p <- visNetwork(nodes, edges) %>%
  visOptions(highlightNearest = list(enabled = TRUE, degree = 1, hover = T)) %>%
  visPhysics(stabilization = list(enabled = FALSE), iterations = 10), adaptiveTimestep = TRUE, barnesHut = list(avoidOverlap = 0.2, damping = 0.15、重力常数= -5000)) 

在这里，我们自定义一些网络可视化配置 visOptions and visPhysics. 请随意浏览文档页面并根据需要更新这些选项. Our Actual code 节现在已经完成，我们应该更新 创建并保存小部件 通过移除线来分割 p = ggplotly(g); 因为我们编写了自己的可视化变量， p.

步骤3:为Power BI准备可视化

现在我们已经用R完成了编码, 我们必须对支持的JSON文件进行某些更改，以准备在Power BI中使用可视化.

让我们从 capabilities.json file. 它包含了您在 Visualizations 选项卡用于可视化，例如我们的扩展的数据源和其他设置. 首先，我们需要更新 dataRoles 并将现有值替换为我们的新数据角色 dataset and num_records inputs:

# ...
  "dataRoles": [
    {
      “displayName”:“数据集”,
      “description”:“连接详细信息-来自。, To, # of Connections, Sentiment Color, “到节点类型颜色”,
      “类型”:“GroupingOrMeasure”,
      "name": "dataset"
    },
    {
      :“displayName num_records”,
      “description”:“要保存的记录数量”;
      “类型”:“测量”,
      “名称”:“num_records”
    }
  ],
# ...

In our capabilities.json 文件，我们也更新 dataViewMappings section. We’ll add conditions 我们的输入必须遵守，以及更新 scriptResult 以匹配我们的新数据角色及其条件. See the conditions 节，以及 select section under scriptResult, for changes:

# ...
 “dataViewMappings”:(
    {
       "conditions": [
        {
          "dataset": {
            "max": 20
          },
          "num_records": {
            "max": 1
          }
        }
      ],
      " scriptResult ": {
        "dataInput": {
          "table": {
            "rows": {
              "select": [
                {
                  "for": {
                    "in": "dataset"
                  }
                },
                {
                  "for": {
                    “在”:“num_records”
                  }
                }
              ],
              " dataReductionAlgorithm ": {
                "top": {}
              }
            }
          }
        },
# ...

让我们继续我们的 dependencies.json file. 在这里，我们将在 cranPackages 以便Power BI可以识别和安装所需的库:

{
    "name": "data.table",
      :“displayName的数据.table",
      :“url http://cran.r-project.org/web/packages/data.table/index.html"
},
{
    “名称”:“图”,
      “displayName”:“图”,
      :“url http://cran.r-project.org/web/packages/DiagrammeR/index.html"
},
{
    “名称”:“visNetwork”,
      :“displayName visNetwork”,
      :“url http://cran.r-project.org/web/packages/visNetwork/index.html"
},

注意:Power BI应该自动安装这些库, 但是如果遇到库错误, 尝试运行以下命令:

install.软件包c(“DiagrammeR”，“htmlwidgets”，“visNetwork”，“data”).table", "xml2"))

最后，让我们为我们的视觉添加相关信息 pbiviz.json file. 我建议更新以下字段:

• 视觉描述字段
• 可视化的支持URL
• 视觉的GitHub URL
• 作者姓名
• 作者邮箱

现在，我们的文件已经更新了，我们必须从命令行重新打包可视化:

pbiviz package

成功执行代码后，a .pbiviz 文件应创建在 dist directory. 本教程中涉及的全部代码可以在以下网站查看 GitHub.

步骤4:将可视化导入Power BI

在Power BI中导入新的可视化, 打开您的Power BI报告(现有数据或在我们的工作过程中创建的报告) Prerequisite 步骤(使用测试数据)，并导航到 Visualizations tab. Click the … [更多选项]按钮并选择 从文件导入可视化. 注意:您可能需要先选择 Edit 在浏览器中按顺序进行 Visualizations TAB是可见的.

Navigate to the dist 目录，然后选择 .pbiviz 文件将您的视觉效果无缝加载到Power BI.

步骤5:在Power BI中创建可视化

导入的可视化现在可以在可视化窗格中使用. 单击可视化图标以将其添加到报表中，然后将相关列添加到 dataset and num_records inputs:

您可以添加额外的文本, filters, 以及可视化的特性，这取决于项目需求. 我还建议您阅读我们用来进一步增强可视化的三个R库的详细文档, 因为我们的示例项目不能涵盖所有可用功能的用例.

升级你的下一个社会网络分析

我们的最终结果证明了R在创建自定义power BI可视化方面的强大功能和效率. Try out 社会网络分析 在你的下一个数据集上使用R中的自定义视觉效果, 并通过全面的数据洞察做出更明智的决策.

Toptal Engineering博客向 Leandro Roser 查看本文中提供的代码示例.