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

没有评论

共计 1916 个字符，预计需要花费 5 分钟才能阅读完成。

文献计量分析是科研人员常用的研究方法，但对于新手来说，往往会遇到以下几个问题：

数据清洗耗时 ：从 Web of Science 或 CSSCI 导出的原始数据往往包含大量冗余信息，如重复记录、格式不统一的作者名等。手动清洗这些数据不仅耗时，还容易出错。
聚类结果不稳定 ：不同的参数设置可能导致完全不同的聚类结果，新手往往不知道如何选择合适的参数，导致分析结果不可靠。
图谱解读困难 ：生成的图谱可能包含大量节点和连线，如何从中提取有价值的信息并合理解读，是许多新手面临的挑战。

在文献计量分析领域，除了 CiteSpace，还有 VOSviewer 和 HistCite 等工具。以下是它们的主要区别：

CiteSpace：
优势：支持动态网络分析，时间切片功能强大；聚类算法多样（LLR、MI 等）；可视化效果丰富（时区图谱、突现词分析等）。
劣势：学习曲线较陡，参数设置复杂。
VOSviewer：
优势：界面友好，操作简单；可视化效果直观；适合快速生成简单的共现网络。
劣势：功能相对单一，不支持动态网络分析。
HistCite：
优势：文献引文分析功能强大；生成的历史图谱直观。
劣势：可视化效果较差；聚类功能有限。

数据预处理是文献计量分析的第一步，也是最关键的一步。以下是一个用 Python 的 pandas 库清洗 Web of Science 数据的示例代码：

import pandas as pd

# 读取原始数据
data = pd.read_csv('wos_data.csv', encoding='utf-8')

# 去重（基于 DOI 或标题）data = data.drop_duplicates(subset=['DOI'], keep='first')

# 格式转换（例如：将作者名从“Last, First”格式转换为“First Last”）data['Authors'] = data['Authors'].apply(lambda x: ';'.join([','.join(name.split(',')[::-1]) for name in x.split(';')]))

# 保存为 CiteSpace 支持的格式
data.to_csv('cleaned_data.txt', sep='\t', index=False, encoding='utf-8')

在 CiteSpace 中，构建网络时需要选择合适的参数：

g-index：用于控制网络规模，值越大，网络包含的节点越多。
k-core：用于过滤低连通性的节点，值越大，网络越稀疏。

通常建议新手先使用默认参数，再根据结果逐步调整。

CiteSpace 提供了多种聚类算法，常用的有：

LLR（对数似然比）：适合发现具有显著统计差异的聚类。
MI（互信息）：适合发现具有高相关性的聚类。

对于大多数文献计量分析，LLR 是更优的选择。

时区图谱可以展示研究主题的演变趋势，而突现词分析可以识别某一时间段内突然增多的关键词。结合两者可以更好地理解研究领域的发展动态。

以下是一个用 matplotlib 自定义聚类颜色方案的示例代码：

import matplotlib.pyplot as plt
import numpy as np

# 定义颜色方案
colors = plt.cm.tab20(np.linspace(0, 1, 20))

# 绘制聚类
plt.scatter(x, y, c=colors[cluster_labels], s=node_sizes)
plt.show()

节点重叠是可视化中常见的问题，可以通过以下布局算法解决：