社会网络仿真软件：UCINET_（4）.数据准备与导入
数据准备与导入
在进行社会网络分析之前，首要步骤是准备好数据并将其导入到UCINET中。数据准备涉及数据的收集、清洗和格式化，而数据导入则是将准备好的数据加载到UCINET中以便进行进一步的分析。本节将详细介绍这两个步骤，并提供具体的例子以帮助理解。
数据准备
数据准备是社会网络分析的基础，它包括以下几个方面：
数据收集：数据收集可以通过多种方式完成，例如问卷调查、公开数据集、观察记录等。数据收集的关键在于确保数据的准确性和完整性。
数据清洗：数据清洗是指去除或修正数据中的错误、重复和不一致的部分。这一步骤非常重要，因为脏数据会影响分析结果的准确性。
数据格式化：UCINET支持多种数据格式，但最常见的格式是矩阵（Matrix）和列表（List）。数据格式化的目标是将原始数据转换为UCINET可以读取的格式。
数据收集
数据收集是社会网络分析的起点。假设我们正在进行一个关于企业内部合作网络的研究，可以通过问卷调查来收集数据。问卷可能包括以下问题：
Q1：你与哪些同事有过合作？
Q2：合作的频率是多少？
Q3：合作的类型是什么（项目、会议、培训等）？
收集到的数据可能如下所示：
| 员工编号 | 合作同事编号 | 合作频率 | 合作类型 |
|---|---|---|---|
| 1 | 2 | 5 | 项目 |
| 1 | 3 | 3 | 会议 |
| 2 | 3 | 4 | 项目 |
| 2 | 4 | 2 | 培训 |
| 3 | 4 | 6 | 项目 |
| 3 | 5 | 1 | 会议 |
| 4 | 5 | 4 | 培训 |
数据清洗
数据清洗的目的是确保数据的准确性和一致性。以下是一些常见的数据清洗步骤：
去除重复记录：检查数据中是否有重复的记录，并将其删除。
修正错误数据：检查数据中的错误值（如负数、异常值等），并进行修正。
填充缺失值：对于缺失的数据，可以采用插值、平均值填充等方法进行处理。
假设我们收集到的数据中存在一些错误和缺失值，如下所示：
| 员工编号 | 合作同事编号 | 合作频率 | 合作类型 |
|---|---|---|---|
| 1 | 2 | 5 | 项目 |
| 1 | 3 | 3 | 会议 |
| 2 | 3 | 4 | 项目 |
| 2 | 4 | 2 | 培训 |
| 3 | 4 | 6 | 项目 |
| 3 | 5 | 1 | 会议 |
| 4 | 5 | 4 | 培训 |
| 1 | 2 | 5 | 项目 |
| 2 | 6 | -1 | 项目 |
| 3 | 5 | 0 | 会议 |
| 5 | 6 | 3 | 项目 |
使用Python进行数据清洗的示例如下：
importpandasaspd# 读取数据data=pd.read_csv('cooperation_data.csv')# 去除重复记录data=data.drop_duplicates()# 修正错误值data=data[data['合作频率']>=0]# 填充缺失值data['合作频率']=data['合作频率'].fillna(data['合作频率'].mean())# 保存清洗后的数据data.to_csv('cleaned_cooperation_data.csv',index=False)数据格式化
UCINET支持多种数据格式，但最常见的格式是矩阵（Matrix）和列表（List）。数据格式化的目标是将原始数据转换为UCINET可以读取的格式。
矩阵格式
矩阵格式是最常见的数据格式之一。在矩阵中，每一行和每一列代表一个节点，矩阵中的值表示节点之间的关系。例如，假设我们有5个员工，可以将上述数据转换为一个5x5的矩阵，其中值表示合作频率。
| 员工编号 | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| 1 | 0 | 5 | 3 | 0 | 0 |
| 2 | 5 | 0 | 4 | 2 | 0 |
| 3 | 3 | 4 | 0 | 6 | 1 |
| 4 | 0 | 2 | 6 | 0 | 4 |
| 5 | 0 | 0 | 1 | 4 | 0 |
使用Python将数据转换为矩阵格式的示例如下：
importpandasaspdimportnumpyasnp# 读取清洗后的数据data=pd.read_csv('cleaned_cooperation_data.csv')# 获取所有员工编号nodes=sorted(set(data['员工编号']).union(set(data['合作同事编号'])))n=len(nodes)# 初始化矩阵matrix=np.zeros((n,n))# 填充矩阵forindex,rowindata.iterrows():i=nodes.index(row['员工编号'])j=nodes.index(row['合作同事编号'])matrix[i][j]=row['合作频率']matrix[j][i]=row['合作频率']# 假设矩阵是对称的# 将矩阵保存为CSV文件np.savetxt('cooperation_matrix.csv',matrix,delimiter=',')列表格式
列表格式适用于记录节点之间的关系。在列表中，每一行表示一个关系，包含源节点、目标节点和关系强度。例如，上述数据可以直接保存为列表格式。
使用Python将数据保存为列表格式的示例如下：
importpandasaspd# 读取清洗后的数据data=pd.read_csv('cleaned_cooperation_data.csv')# 选择需要的列data=data[['员工编号','合作同事编号','合作频率']]# 保存为CSV文件data.to_csv('cooperation_list.csv',index=False,header=False)数据导入
UCINET支持多种数据导入方式，包括直接从文件导入、从其他软件导入等。本节将详细介绍如何从文件导入数据。
从文件导入数据
导入矩阵数据：将矩阵格式的数据导入UCINET。
导入列表数据：将列表格式的数据导入UCINET。
导入矩阵数据
打开UCINET。
选择
File->Import->Matrix from a file。选择保存的矩阵文件（例如
cooperation_matrix.csv）。选择适当的分隔符（例如逗号）。
点击
Open按钮， UCINET 将读取文件并显示矩阵。
导入列表数据
打开UCINET。
选择
File->Import->List from a file。选择保存的列表文件（例如
cooperation_list.csv）。选择适当的分隔符（例如逗号）。
点击
Open按钮， UCINET 将读取文件并显示列表。
数据验证
在数据导入到UCINET后，进行数据验证是非常重要的步骤。数据验证可以确保数据的正确性和完整性。
验证矩阵数据
在UCINET中，选择
Data->Matrix->Info。查看矩阵的基本信息，如节点数量、边数量等。
选择
Data->Matrix->View。查看矩阵的具体内容，确保数据格式正确。
验证列表数据
在UCINET中，选择
Data->List->Info。查看列表的基本信息，如节点数量、边数量等。
选择
Data->List->View。查看列表的具体内容，确保数据格式正确。
实例分析
假设我们已经完成了数据的准备和导入，接下来可以通过UCINET进行一些基本的社会网络分析。以下是一个简单的实例，展示如何使用UCINET进行网络密度分析。
网络密度分析
在UCINET中，选择
Network->Density。选择导入的矩阵数据。
UCINET 将计算网络的密度并显示结果。
网络密度是指网络中实际存在的边数与可能存在的最大边数的比值。对于一个5个节点的网络，最大边数为5 × ( 5 − 1 ) 2 = 10 \frac{5 \times (5 - 1)}{2} = 1025×(5−1)=10。如果实际边数为8，网络密度为8 10 = 0.8 \frac{8}{10} = 0.8108=0.8。
具体操作步骤
打开UCINET：启动UCINET软件。
导入数据：选择
File->Import->Matrix from a file，导入cooperation_matrix.csv文件。选择分析工具：选择
Network->Density。选择数据：在弹出的窗口中选择导入的矩阵数据。
查看结果：UCINET将显示网络密度的结果。
代码示例
以下是一个完整的Python代码示例，展示如何从原始数据文件生成矩阵和列表格式的数据，并将其保存为CSV文件。
importpandasaspdimportnumpyasnp# 读取原始数据data=pd.read_csv('cooperation_data.csv')# 去除重复记录data=data.drop_duplicates()# 修正错误值data=data[data['合作频率']>=0]# 填充缺失值data['合作频率']=data['合作频率'].fillna(data['合作频率'].mean())# 获取所有员工编号nodes=sorted(set(data['员工编号']).union(set(data['合作同事编号'])))n=len(nodes)# 初始化矩阵matrix=np.zeros((n,n))# 填充矩阵forindex,rowindata.iterrows():i=nodes.index(row['员工编号'])j=nodes.index(row['合作同事编号'])matrix[i][j]=row['合作频率']matrix[j][i]=row['合作频率']# 假设矩阵是对称的# 将矩阵保存为CSV文件np.savetxt('cooperation_matrix.csv',matrix,delimiter=',')# 选择需要的列data=data[['员工编号','合作同事编号','合作频率']]# 保存为CSV文件data.to_csv('cooperation_list.csv',index=False,header=False)数据验证步骤
验证矩阵数据：
选择
Data->Matrix->Info。查看矩阵的基本信息，如节点数量、边数量等。
选择
Data->Matrix->View。查看矩阵的具体内容，确保数据格式正确。
验证列表数据：
选择
Data->List->Info。查看列表的基本信息，如节点数量、边数量等。
选择
Data->List->View。查看列表的具体内容，确保数据格式正确。
注意事项
数据格式：确保数据格式正确，特别是矩阵和列表的格式。
数据完整性：检查数据的完整性，确保所有节点和边都已正确记录。
数据准确性和一致性：修正数据中的错误值和不一致的部分，确保数据的准确性和一致性。