CiteSpace关键词聚类实战：从数据清洗到可视化分析全流程解析

共计 1533 个字符，预计需要花费 4 分钟才能阅读完成。

背景痛点：数据导入的常见陷阱

刚开始用 CiteSpace 分析 WoS 数据时，我踩过不少坑。最典型的问题就是数据格式混乱：

• 作者字段合并：WoS 默认用分号分隔作者，但有些数据会用逗号，导致 CiteSpace 识别成单个作者
• 参考文献缺失 ：下载数据时没勾选Cited References 选项，后续无法做共被引分析
• 编码问题：UTF- 8 格式的 CSV 文件在 CiteSpace 中显示乱码（尤其是中文文献）

数据预处理：Python 自动化清洗

用这个脚本处理 WoS 的download.txt，关键步骤包括：

import pandas as pd

def clean_wos_data(file_path):
    try:
        # 处理编码问题
        df = pd.read_csv(file_path, sep='\t', encoding='utf-8-sig', 
                        error_bad_lines=False)

        # 标准化 ISSN 号（注意保留连字符）df['ISSN'] = df['ISSN'].str.replace(r'[^0-9-]', '')

        # 作者字段规范化（替换不规则分隔符）df['Authors'] = df['Authors'].str.replace(',', ';')

        # 机构去重（处理 "Univ Beijing; Peking Univ" 这类重复）df['Affiliations'] = df['Affiliations'].apply(lambda x: ';'.join(sorted(set(x.split(';')))) 
            if pd.notnull(x) else x)

        df.to_csv('cleaned_data.csv', index=False, encoding='utf-8-sig')
    except Exception as e:
        print(f"处理失败: {str(e)}")

核心参数详解

1. g-index 调节

这个参数控制网络规模：
– 值越小网络越稀疏（建议初次尝试设为 25）
– 文献量 >500 时可提高到 50

2. 算法选择

• LLR（对数似然比）：更适合发现独特聚类标签
• MI（互信息）：对高频词更敏感

3. Pathfinder 剪裁

勾选后会：
– 移除冗余连接（改善蜘蛛网图）
– 但可能丢失弱关联（需配合 Pruning 一起使用）

可视化优化技巧

时区图 vs 聚类图

• 时区图（Timezone View）：看研究主题演变
• 聚类视图（Cluster View）：找当前热点关联

调整技巧：

1. 节点大小映射Node Size→Citation Count
2. 颜色选择 Color→Cluster 更易区分
3. 标签显示数在 Labels→Items per slice 设置

三大避坑案例

案例 1：节点过多

现象：图谱像蜘蛛网
解决：
1. 调低 g -index
2. 启用 Pathfinder 剪裁
3. 增加 Top N% per slice

案例 2：聚类无意义

现象：聚类标签都是通用词
解决：
1. 改用 LLR 算法
2. 检查数据是否混入非学术文献

案例 3：关键文献缺失

现象：重要论文没出现在网络
解决：
1. 确认原始数据包含参考文献
2. 检查 CiteSpace 的 Node Types 设置

进阶验证：VOSviewer 交叉检验

把 CiteSpace 生成的 network 文件导入 VOSviewer：

1. 比较模块化 Q 值（>0.4 说明结构显著）
2. 查看平均轮廓值（S>0.5 聚类合理）
3. 手动合并相似聚类（颜色相近的节点）

测试数据集

我整理了一个清洗好的样例数据：sample_data.zip 包含：
– 200 篇 AI 领域的 WoS 记录
– 预处理后的 CSV 文件
– CiteSpace 项目配置文件

写在最后

第一次跑出清晰可解释的聚类图时特别有成就感。建议先从少量数据（<300 篇）开始练习，重点观察参数调整对图谱的影响规律。遇到问题可以多对比 VOSviewer 的结果，两个工具配合使用效果更好。