【科学文献计量】metaknowledge创建和处理知识网络的方法与 RC.networkCoAuthor()中的参数解释

最新推荐文章于 2025-04-11 12:05:25 发布

lys_828

最新推荐文章于 2025-04-11 12:05:25 发布

阅读量725

点赞数 1

分类专栏： python科学计量数据可视化文章标签： metaknowledge 网络图 python 合作网络作者关联

本文链接：https://blog.youkuaiyun.com/lys_828/article/details/128038664

版权

python科学计量数据可视化专栏收录该内容

60 篇文章 ¥49.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了metaknowledge库在网络图创建和处理中的应用，特别是RC.networkCoAuthor()函数的参数详细说明，包括detailedInfo、weighted、dropNonJournals、count、useShortNames和citeProfile等，涉及节点信息、权重计算、非期刊过滤、节点计数、作者名称格式和引用信息记录等方面。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 方法汇总

metaknowledge是基于networkx模块的进一步封装的python安装包，即在进行知识网络绘制和分析时不仅可以使用networkx模块中原有的各种方法，也可以使用metaknowledge中的高阶方法。metaknowledge中有10种网络数据生成器（Generator），具体介绍如下表。虽然很多方法在处理数据和绘制网络图的过程逻辑一致，但是研究人员对于呈现的网络需求可能不同。比如在进行共被引网络（co-citation networks）分析时，连线的权重值为1的边通常被认为是噪音数据，研究者也可根据设置的节点阈值进行节点过滤。

进一步为满足根据某些属性修改网络的需求，metaknowledge中提供dropEdges(), dropNodesByDegree()和dropNodesByCount()等方法。这三种方法中第一个参数都是它们将要修改的图形的变量名称。它们修改的方式是在原地修改原始图形，而不是生成新图形，从而在处理大型网络时提高计算效率，然后有一系列可选参数来控制筛选连线或节点的条件，包括下限和上限阈值、属性的名称以及是否丢弃自循环等。
数据生成器应用于数据集使用方式