performing-network-computation

name	performing-network-computation
description	当用户需要执行社会网络计算分析，包括网络构建、基础指标计算、社区检测、网络可视化和高级网络分析时使用此技能
version	1.0.0
author	socienceAI.com
tags	["social-network-analysis","network-computation","graph-analysis","community-detection","network-visualization"]

网络计算分析技能 (Performing Network Computation)

Overview

为社会科学研究提供全面的社会网络计算分析支持，从网络构建到高级分析的全流程技术实现。

When to Use This Skill

Use this skill when the user requests:

• Complex social network analysis
• Network model construction
• Network statistical indicators calculation
• Community detection and clustering
• Network visualization and mapping
• Graph-based analysis of social structures
• Analysis of relational data in Chinese context
• Computation of network metrics and indices

Quick Start

When a user requests network computation:

1. Construct network from provided data
2. Compute basic network indicators
3. Analyze centrality measures
4. Detect communities and clusters
5. Visualize network structure and patterns

使用时机

当用户提到以下需求时，使用此技能：

• "网络计算" 或 "网络分析计算"
• "构建社会网络" 或 "网络建模"
• "网络指标计算" 或 "网络统计"
• "社区检测" 或 "聚类分析"
• "网络可视化" 或 "网络绘图"
• 需要进行复杂的社会网络数学计算

快速开始

工具链（4个核心脚本）

# 1. 网络构建
python scripts/build_network.py \
  --input data.json \
  --output network.graphml \
  --type weighted

# 2. 指标计算
python scripts/calculate_metrics.py \
  --input network.graphml \
  --output metrics.json

# 3. 社区检测
python scripts/detect_communities.py \
  --input network.graphml \
  --output communities.json \
  --method louvain

# 4. 网络可视化
python scripts/visualize_network.py \
  --input network.graphml \
  --metrics metrics.json \
  --output network_visualization.png

核心流程

第一步：网络构建

使用工具自动构建网络：

python scripts/build_network.py --input raw_data.json --output network.graphml

关键要点：

• 数据格式验证
• 网络类型设置（有向/无向，加权/无权）
• 节点边属性处理
• 网络完整性验证

详见：references/network-construction/INDEX.md

---

第二步：指标计算

使用工具批量计算指标：

python scripts/calculate_metrics.py --input network.graphml --output metrics.json

计算指标：

• 网络规模：节点数、边数、密度
• 路径指标：平均路径长度、直径、半径
• 聚类指标：聚类系数、传递性
• 连通性指标：连通分量、割点、桥

详见：references/metric-calculations/INDEX.md

---

第三步：社区检测

使用工具识别社区：

python scripts/detect_communities.py --input network.graphml --output communities.json

检测算法：

• Louvain模块度优化
• 标签传播算法
• 谱聚类方法
• Girvan-Newman算法

详见：references/community-detection/INDEX.md

---

第四步：网络可视化

使用工具生成可视化：

python scripts/visualize_network.py \
  --input network.graphml \
  --metrics metrics.json \
  --communities communities.json \
  --output network.png

可视化元素：

• 节点：大小编码中心性，颜色编码社区
• 边：粗细编码权重
• 布局：力导向、圆形、层次等

详见：references/visualization-methods/INDEX.md

输出格式

统一的三层JSON格式：

{
  "summary": {
    "total_nodes": 50,
    "total_edges": 120,
    "network_density": 0.098,
    "components": 1,
    "avg_path_length": 2.34,
    "diameter": 6,
    "modularity": 0.72
  },
  "details": {
    "metrics": {
      "clustering_coefficient": 0.45,
      "transitivity": 0.42,
      "centrality_measures": {...},
      "community_stats": {...}
    },
    "communities": [...],
    "visualization_data": {...}
  }
}

质量检查清单

在完成网络计算分析后，请检查以下项目：

数据质量

• 原始数据格式正确
• 网络构建无误
• 缺失数据处理合理
• 异常值识别准确

计算准确性

• 所有指标计算正确
• 算法参数设置合理
• 结果验证充分
• 数值精度符合要求

分析深度

• 指标解释准确
• 结果分析深入
• 模式识别充分
• 洞察提炼有价值

可视化质量

• 图形清晰可读
• 颜色编码合理
• 布局美观合理
• 关键信息突出

常见问题

快速诊断：

• 网络规模过大 → 见 references/performance-optimization/INDEX.md
• 社区检测不稳定 → 使用 detect_communities.py 多次运行取平均
• 计算结果异常 → 见 references/troubleshooting/INDEX.md - 数据验证
• 可视化效果差 → 见 references/visualization-methods/INDEX.md - 布局调整

深入学习

• 网络构建理论：references/network-construction/INDEX.md - 构建方法详解
• 指标计算：references/metric-calculations/INDEX.md - 算法和公式
• 社区检测：references/community-detection/INDEX.md - 算法比较
• 可视化技术：references/visualization-methods/INDEX.md - 技术和最佳实践

完成标志

完成高质量的网络计算分析应该：

1. 生成准确完整的网络指标
2. 识别清晰的社区结构
3. 提供直观的可视化结果
4. 给出深入的分析解释

---

此技能为中文社会科学研究提供全面的网络计算支持，从数据处理到高级分析的技术实现，确保研究的科学性和严谨性。