CiteSpace关键词聚类实战：从数据清洗到可视化分析全流程解析

1次阅读

共计 1967 个字符，预计需要花费 5 分钟才能阅读完成。

作为科研新手，第一次用 CiteSpace 做关键词聚类分析时，我踩了不少坑。从数据导入报错到聚类结果像蜘蛛网，整个过程堪称一部血泪史。今天把完整解决方案整理出来，希望能帮你少走弯路。

作者字段合并灾难 ：WoS 导出的作者列默认用分号隔开，但 CiteSpace 要求严格遵循Lastname, Firstname; Lastname, Firstname 格式。见过最惨的案例是中文名直接写成 张三李四，导致软件识别为 1 个作者
参考文献的幽灵：当文献的CR（参考文献）字段缺失时，CiteSpace 会静默失败。有次我分析了 2000 篇文献后发现网络图空空如也，查日志才发现 80% 数据没有 CR 字段
ISSN 的七十二变 ：同一个期刊的 ISSN 可能以1234-5678、12345678 或1234−5678（注意是破折号）多种形式出现，不标准化会导致期刊分析错误

用 pandas 处理原始数据比手工调整高效得多，分享我的预处理脚本核心片段（完整代码文末获取）：

import pandas as pd
import re

def clean_issn(issn):
    # 处理各种 ISSN 变体
    if pd.isna(issn):
        return ''return re.sub(r'[^0-9X]','', str(issn)).upper()

def split_authors(author_str):
    # 规范作者格式
    if pd.isna(author_str):
        return ''
    authors = []
    for name in author_str.split(';'):
        if ',' in name:
            authors.append(name.strip())
        else:
            # 处理中文名转拼音等复杂情况
            ...
    return ';'.join(authors)

# 读取 WoS 导出的 txt 文件
with open('savedrecs.txt', 'r', encoding='utf-8', errors='ignore') as f:
    df = pd.read_csv(f, sep='\t')

# 关键字段处理
df['ISSN'] = df['ISSN'].apply(clean_issn)
df['AU'] = df['AU'].apply(split_authors)

g-index 的黄金分割点 ：这个参数控制选词数量。经验值是设为25（分析 2000 篇文献时），太大导致节点过多，太小丢失关键概念。可以通过Pathfinder 网络剪裁辅助控制
算法选择的修罗场：
LLR（对数似然率）更适合发现领域内的特色术语
MI（互信息）擅长捕捉跨学科关联
建议先用 LLR 生成主聚类，再用 MI 做交叉验证
网络剪裁的平衡术 ：Pruning 参数选 Pathfinder+Pruning sliced networks 能有效减少杂乱连线，但阈值设太高（如 >0.5）会导致网络碎片化