CiteSpace关键词聚类时间轴实战：从数据预处理到可视化优化

1次阅读

没有评论

共计 2439 个字符，预计需要花费 7 分钟才能阅读完成。

在文献计量研究中，关键词聚类时间轴分析是揭示领域知识演化的利器。但原始数据中的噪声和 CiteSpace 默认参数的限制，常常导致可视化结果杂乱无章。本文将手把手带你用 Python 打造一条从原始数据到清晰时间轴的技术流水线。

从数据库导出的原始数据往往存在三大顽疾：

字段缺失 ：部分记录的DE(作者关键词) 或ID(数据库关键词)字段为空
时间切片不均：早期文献收录不全导致时间分布呈现 ” 头轻脚重 ”
格式混乱：期刊缩写形式不统一（如 ”J. Appl. Phys.” 与 ”Journal of Applied Physics” 混用）

即使数据相对完整，直接使用 CiteSpace 仍会遇到：

聚类过度碎片化：默认的 LLR 算法易受高频词干扰
时间轴断裂 ：参数Time Slicing 设置不当会导致时段连接不连续
节点重叠严重：重要节点被遮挡影响模式识别

import pandas as pd
from collections import Counter

# 读取 WOS 导出文件
df = pd.read_csv('savedrecs.txt', sep='\t', encoding='utf-8')

# 关键字段检查
required_fields = ['PY', 'DE', 'ID', 'SO']
assert all(field in df.columns for field in required_fields), "缺失关键字段"

# 关键词字段合并与清洗
df['keywords'] = df['DE'].fillna('') +';'+ df['ID'].fillna('')
df['keywords'] = df['keywords'].str.replace(r'\s+', ' ', regex=True)

# 年份补全（用同期刊的中位数年份）journals_median_year = df.groupby('SO')['PY'].median()
df['PY'] = df.apply(lambda x: x['PY'] if not pd.isna(x['PY']) \
                   else journals_median_year.get(x['SO'], df['PY'].median()), axis=1)

from sklearn.feature_extraction.text import TfidfVectorizer

# 构建关键词共现矩阵
tfidf = TfidfVectorizer(tokenizer=lambda x: [w.strip().lower() for w in x.split(';') if w])
keyword_matrix = tfidf.fit_transform(df['keywords'])

from sklearn.metrics import silhouette_score
from sklearn.cluster import KMeans

# 轮廓系数法寻找最优 k
silhouettes = []
for k in range(2, 10):
    clusterer = KMeans(n_clusters=k, random_state=42)
    preds = clusterer.fit_predict(keyword_matrix)
    silhouettes.append(silhouette_score(keyword_matrix, preds))

optimal_k = silhouettes.index(max(silhouettes)) + 2  # 结果从 k = 2 开始

import matplotlib.pyplot as plt
plt.style.use('seaborn-poster')  # 预设样式模板

fig, ax = plt.subplots(figsize=(15, 8))
for year in sorted(df['PY'].unique()):
    year_data = df[df['PY'] == year]
    # 此处添加节点绘制代码...

节点大小：按关键词出现频率的 log 值缩放
颜色映射 ：使用viridis 渐变色系区分不同聚类
连线透明度：随时间跨度增加而降低（alpha=0.8→0.3）

推荐使用 CrossRef 的官方缩写 API 进行统一处理：

import requests
def standardize_journal(title):
    response = requests.get(f"https://api.crossref.org/journals?query={title}")
    return response.json()['message']['items'][0]['short-title'] if response.ok else title

建议遵循 ”3-5-8″ 原则：