CiteSpace聚类序号缺失问题分析与解决方案

1次阅读

共计 1885 个字符，预计需要花费 5 分钟才能阅读完成。

在使用 CiteSpace 进行文献计量分析时，聚类序号缺失是一个常见但容易被忽视的问题。这个问题看似简单，实际上会对研究结果产生多方面的影响：

可视化失真：缺失的聚类序号会导致生成的网络图中部分聚类无法正确显示，影响对研究领域的整体把握
统计偏差：在计算聚类指标（如模块度）时，缺失序号会导致计算结果不准确，进而影响对领域发展态势的判断
后续分析困难：当需要基于聚类结果进行更深层次的分析（如时序演化分析）时，缺失的序号会成为障碍

首先需要使用 Python 的 pandas 库对原始数据进行清洗。以下是关键步骤：

import pandas as pd

# 读取 CiteSpace 输出的聚类数据
df = pd.read_csv('clusters.csv', encoding='utf-8')

# 检查缺失值
print(df.isnull().sum())

# 填充缺失的聚类序号
# 方法 1：使用前向填充
# df['cluster_id'] = df['cluster_id'].fillna(method='ffill')

# 方法 2：使用均值填充（适用于数值型 ID）# mean_id = int(df['cluster_id'].mean())
# df['cluster_id'] = df['cluster_id'].fillna(mean_id)

# 方法 3：创建新的连续序号（推荐）max_id = df['cluster_id'].max()
df['cluster_id'] = df['cluster_id'].apply(lambda x: max_id + 1 if pd.isna(x) else x
)
max_id += 1

使用 networkx 库重建正确的聚类关系：

import networkx as nx

# 创建图对象
G = nx.Graph()

# 添加节点（假设 df 中有 'node_id' 和 'cluster_id' 列）for _, row in df.iterrows():
    G.add_node(row['node_id'], cluster=row['cluster_id'])

# 添加边（假设有单独的边数据）edge_df = pd.read_csv('edges.csv')
for _, row in edge_df.iterrows():
    G.add_edge(row['source'], row['target'], weight=row['weight'])

# 检测连通分量
components = list(nx.connected_components(G))
print(f'发现 {len(components)} 个连通分量')

调整聚类算法参数以处理边缘节点：

from networkx.algorithms import community

# 使用 Louvain 算法进行社区检测
partition = community.louvain_communities(G, resolution=1.0)

# 调整 resolution 参数可以控制聚类粒度
# 值越大，聚类数量越多；值越小，聚类数量越少
optimal_partition = community.louvain_communities(G, resolution=0.8)

始终明确指定文件编码（推荐 UTF-8）
对于中文文献，可能需要额外的分词处理
注意检查特殊字符是否被正确解析

对于大规模数据集：

使用 dtype 参数指定数据类型以减少内存占用
考虑使用分块处理（chunking）
对于超大规模网络，可以使用 sparse 矩阵存储

# 计算修复前后的模块度
original_modularity = community.modularity(G, original_partition)
fixed_modularity = community.modularity(G, optimal_partition)

print(f'原始模块度: {original_modularity:.4f}')
print(f'修复后模块度: {fixed_modularity:.4f}')

建议使用 matplotlib 或 pyvis 生成可视化结果，重点关注：