Найти центры в стоге связок
Данные о потоках и связях часто непросто показать на карте: в плотных сетях, особенно с большим числом узлов и ребер, линии накладываются и перекрывают друг друга. Для визуализации таких данных используют приемы кластеризации связей (edge bundling), которые по разным правилам собирают линии, идущие в одном направлении, в связки или пучки (bundles).
Решил опробовать пару таких алгоритмов. Для примера взял данные о количестве дружеских связей в VK между жителями райнов и городов в регионах Уральского экономического района и Тюменской области в 2015 г. Учитывались только связи более 250 человек. Получился ненаправленный граф с 66.4 млн связей. Сеть - с высокой связностью (почти все связаны со всеми) и иерархичностью: на 12 главных узлов приходится половина всех связей. Лидирует Екатеринбург, у жителей которого 14 млн друзей за пределами города.
Выше три рисунка: с прямыми линиями для референса и два варианта с кластеризацией, алгоритимы которых реализованы в пакете edgebundle в R. Долго подбирал настройки. Получается любопытно, но опасно: кластеризация неизбежно искажает данные - нужно искать баланс между визуальными эффектами и точностью отображения.
Пока делал, наткнулся на симпатичную статью о картографической визуализации матриц корреспонденций, с примерами и простыми советами, которые авторы верифицировали через интервью с пользователями. Послединий рисунок - из статьи.
Данные о потоках и связях часто непросто показать на карте: в плотных сетях, особенно с большим числом узлов и ребер, линии накладываются и перекрывают друг друга. Для визуализации таких данных используют приемы кластеризации связей (edge bundling), которые по разным правилам собирают линии, идущие в одном направлении, в связки или пучки (bundles).
Решил опробовать пару таких алгоритмов. Для примера взял данные о количестве дружеских связей в VK между жителями райнов и городов в регионах Уральского экономического района и Тюменской области в 2015 г. Учитывались только связи более 250 человек. Получился ненаправленный граф с 66.4 млн связей. Сеть - с высокой связностью (почти все связаны со всеми) и иерархичностью: на 12 главных узлов приходится половина всех связей. Лидирует Екатеринбург, у жителей которого 14 млн друзей за пределами города.
Выше три рисунка: с прямыми линиями для референса и два варианта с кластеризацией, алгоритимы которых реализованы в пакете edgebundle в R. Долго подбирал настройки. Получается любопытно, но опасно: кластеризация неизбежно искажает данные - нужно искать баланс между визуальными эффектами и точностью отображения.
Пока делал, наткнулся на симпатичную статью о картографической визуализации матриц корреспонденций, с примерами и простыми советами, которые авторы верифицировали через интервью с пользователями. Послединий рисунок - из статьи.