CiteSpace 主题聚类新手入门：从数据预处理到可视化分析全流程指南

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。

刚接触文献计量的研究者常遇到三个典型问题：

数据清洗耗时 ：WoS/CSSCI 导出的原始数据包含大量冗余字段，作者姓名缩写不一致、机构名称不统一等问题导致预处理消耗 60% 以上时间
聚类结果不稳定 ：相同的文献集使用不同参数会得到差异显著的聚类结构，新手难以判断哪种结果更可靠
图谱解读困难 ：生成的网络图中节点重叠、标签遮挡、颜色语义不明确，无法有效提取知识脉络

CiteSpace：
优势：支持时区切片动态分析，聚类算法丰富（LLR/MI 等），适合研究前沿演化
不足：界面交互较差，需要手动调整的参数较多
VOSviewer：
优势：可视化效果精美，标签自动避让效果好
不足：仅支持静态网络，聚类维度单一
HistCite：
优势：引文编年史分析强大，快速定位奠基性文献
不足：缺乏现代网络分析功能

import pandas as pd

# 读取 Web of Science 数据
df = pd.read_excel('savedrecs.xls', header=0)

# 关键字段清洗
def clean_author(authors):
    # 统一作者名为 "姓全拼 + 名首字母" 格式
    return ';'.join([a.split(',')[0].strip() + '' +''.join([i[0] for i in a.split(',')[1].split()]) 
                     for a in authors.split(';')])

df['Authors'] = df['Authors'].apply(clean_author)

# 去重（基于 DOI 和标题）df = df.drop_duplicates(subset=['DOI', 'Article Title'], keep='first')

# 保存为 CiteSpace 兼容格式
df.to_csv('processed_data.txt', sep='\t', index=False, columns=['Authors', 'Article Title', 'Year', 'DOI'])

g-index 选择 ：
初学者建议设为 25，平衡网络密度与关键节点识别
公式：g = sqrt(∑(cit_i)^2) / N（cit_i 为第 i 篇被引次数）
k-core 过滤 ：
一般设为 2-3，移除边缘孤立节点
通过 Network > Pruning > Pathfinder 进一步优化

LLR（对数似然比）：
适合识别领域专有术语
计算公式：LLR = 2∑O_ij * ln(O_ij/E_ij)
MI（互信息）：
适合发现跨学科关联
对低频词更敏感

在 Time Slicing 设置 3-5 年为一个时间窗口
勾选 “Burst Detection” 与 “Timezone View”
使用 Control Panel 调整：
Node Size = Citation Count
Color = Cluster ID

import matplotlib.colors as mcolors

def get_cluster_colors(n_clusters):
    # 使用感知均匀的色环
    hues = np.linspace(0, 1, n_clusters, endpoint=False)
    return [mcolors.hsv_to_rgb([h, 0.8, 0.9]) for h in hues]

# 应用到 CiteSpace 导出数据
cluster_colors = get_cluster_colors(8)
plt.scatter(x, y, c=cluster_colors, s=node_sizes)