Phân tích mạng xã hội bằng Python và NetworkX

import networkx as nx
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

Tạo mạng xã hội giả lập để phân tích

Trước tiên, chúng ta sẽ tạo một mạng xã hội giả lập với các nút đại diện cho người dùng và các cạnh đại diện cho mối quan hệ bạn bè giữa họ.

# Tạo một đồ thị không có hướng
G = nx.Graph()

# Thêm các nút (người dùng)
G.add_nodes_from(['Alice', 'Bob', 'Charlie', 'Diana', 'Eve', 'Frank', 'Grace'])

# Thêm các cạnh (mối quan hệ bạn bè)
edges = [('Alice', 'Bob'), ('Alice', 'Charlie'), ('Bob', 'Diana'),
         ('Charlie', 'Diana'), ('Diana', 'Eve'), ('Eve', 'Frank'),
         ('Frank', 'Grace'), ('Grace', 'Alice')]
G.add_edges_from(edges)

# Vẽ mạng
plt.figure(figsize=(8,6))
nx.draw(G, with_labels=True, node_color='lightblue', edge_color='gray', node_size=1500, font_size=12)
plt.title("Mạng xã hội giả lập")
plt.show()

Tính toán chỉ số trung tâm (Centrality Measures)

Degree Centrality

Degree Centrality đo lường mức độ kết nối của mỗi nút trong mạng. Nút có giá trị cao thường là người có nhiều kết nối nhất.

degree_centrality = nx.degree_centrality(G)
print("Degree Centrality:")
for node, centrality in degree_centrality.items():
    print(f"{node}: {centrality:.2f}")

Betweenness Centrality

Betweenness Centrality đo lường mức độ một nút nằm trên đường đi ngắn nhất giữa các nút khác. Nút có giá trị cao thường đóng vai trò “cầu nối”.

betweenness_centrality = nx.betweenness_centrality(G)
print("\nBetweenness Centrality:")
for node, centrality in betweenness_centrality.items():
    print(f"{node}: {centrality:.2f}")

Closeness Centrality

Closeness Centrality đo mức độ gần gũi của một nút với tất cả các nút khác trong mạng.

closeness_centrality = nx.closeness_centrality(G)
print("\nCloseness Centrality:")
for node, centrality in closeness_centrality.items():
    print(f"{node}: {centrality:.2f}")

Phát hiện cộng đồng trong mạng xã hội

Cộng đồng trong mạng xã hội là những nhóm người dùng có kết nối chặt chẽ với nhau. NetworkX không hỗ trợ phát hiện cộng đồng trực tiếp, nhưng bạn có thể sử dụng thuật toán Girvan-Newman từ networkx.algorithms.community.

from networkx.algorithms import community

communities = community.girvan_newman(G)
top_level_communities = next(communities)
community_list = [list(c) for c in top_level_communities]
print("\nCộng đồng phát hiện được:")
for idx, c in enumerate(community_list, 1):
    print(f"Cộng đồng {idx}: {c}")

Trực quan hóa cộng đồng

Bạn có thể vẽ các cộng đồng với màu sắc khác nhau để dễ phân biệt.

color_map = []
for node in G:
    if node in community_list[0]:
        color_map.append('skyblue')
    else:
        color_map.append('lightgreen')

plt.figure(figsize=(8,6))
nx.draw(G, with_labels=True, node_color=color_map, edge_color='gray', node_size=1500, font_size=12)
plt.title("Mạng xã hội với cộng đồng")
plt.show()

Phân tích mạng xã hội lớn hơn từ file dữ liệu

Bạn có thể phân tích một mạng xã hội thực tế bằng cách đọc dữ liệu từ file CSV chứa các cặp người dùng kết nối với nhau. Ví dụ, giả sử file social_network.csv có cấu trúc:

source,target
Alice,Bob
Bob,Charlie
Charlie,Diana
...

Đọc dữ liệu và tạo graph:

df = pd.read_csv('social_network.csv')
G_real = nx.from_pandas_edgelist(df, 'source', 'target')

plt.figure(figsize=(10,8))
nx.draw_spring(G_real, with_labels=True, node_size=800, node_color='lightcoral')
plt.title("Mạng xã hội thực tế")
plt.show()