연결망 분석 - 조대현

[6기_조대현]

1 사회연결망 분석이란?

영어로는 Social Network Analysis 라고 하며, 줄여서 SNA 라고도 합니다. 

사회연결망 분석은 개인과 집단들 간의 관계를 노드와 링크로서 모델링해 그것의 구조나, 확신 및 진화과정을 계량적으로 분석하는 방법론 입니다. 

이때, 노드란 분석하고자 하는 객체로서, 사람이나 사물 등을 말하는 것입니다.

그리고 이 노드들의 관계를 나타내는, 즉 연결하는 것을 링크라고 하며 링크는, 단순히 노드A와 노드B를 연결만한 무방향성이 될 수도 있고,

혹은 노드A에서 노드B로의 방향성을 가질 수도 있습니다.

노드에 연결된 링크의 수를 Degree 라고 합니다.  그림에서 볼 수 있듯이, 어떠한 노드에 링크가 5개가 연결돼 있으면 이 노드의 Degree는 5가 되는 것입니다.

2 네트워크 데이터 구조

기본적인 네트워크 데이터 표현 형식은 다음과 같은 사회행렬(SocioMatrix) 자료구조를 갖는다.

	A	B	C	D	E
A	0	1	1	0	0
B	0	0	1	1	0
C	0	1	0	0	0
D	0	0	0	0	0
E	0	0	1	0	0

즉 각 노드간에 관계가 있냐 없냐를 없으면 0, 연결관계가 있다면 1로 표현한다. 하지만, 이와 같이 표현을 하게 되면 네트워크가 큰 경우 거의 대부분의 관계가 0으로 없음에도 불구하고 이를 사회행렬로 표현하게 되어, 저장공간 낭비가 엄청 심하게 된다.

노드가 10, 100, 1000 이며, 평균 연결수가 3 인 경우 1000개 노드를 갖는 네트워크를 사회행렬로 표현할 경우 997,000 개의 빈셀을 갖게 된다. 이런 이유로 엣지리스트(Edgelist) 로 네트워크를 데이터로 표현할 경우 동일한 네트워크를 효과적으로 표현할 수 있다.

노드	평균 연결수	엣지	밀도	빈셀
10	3	15	0.33	70
100	3	150	0.03	9,700
1,000	3	1,500	0.00	997,000

상기 사회행렬을 엣지리스트로 표현하면 다음과 같다. 소규모 네트워크에서는 데이터에 큰 차이가 없지만, 중소규모, 대규모로 네트워크 규모가 커지면 네트워크 표현에 대한 효과를 체험하게 된다.

From	To
A	B
A	C
B	C
B	D
C	B
E	C

2.1. 네트워크 객체에 저장되는 정보

노드와 엣지는 네트워크 자료형으로 꼭 필요하지만, 추가적인 정보를 더 담을 수 있고, 담아야 한다. 노드와 엣지 외에도 노드 속성, 엣지 속성, 네트워크 메타데이터가 네트워크 자료형을 구성하고 있다.

구성요소	설명	필수여부
노드	노드 혹은 Vertex라고 불리며 네트워크 노드를 구성	필수
엣지	엣지 혹은 링크, Tie라고 불리며 네트워크 연결을 담당	필수
노드 속성	노드 속성을 표현, 노드가 사람인 경우 성별 등	선택옵션
엣지 속성	엣지 속성을 표현, 엣지가 금융거래의 경우 거래금액 등	선택옵션
메타데이터	전체 네트워크에 대한 정보를 포함	네트워

networkD3

데이터를 모두 준비하고 나면 forceNetwork 함수로 그래프를 생성할 수 있다

함수의 동작을 위해 최소한 필요한 옵션은 다음과 같다

Links에는 link가 담긴 data.frame

Nodes에는 node가 담긴 data.frame

Source에는 Links에서 source의 index가 담긴 열 이름

Target에는 Links에서 target의 index가 담긴 열 이름

NodeID에는 Nodes에서 node이름이 담긴 열 이름

Group은 Nodes에서 group이름이 담긴 열 이름(없으면 NodeID와 동일하게)

# plot

D3_network_LM<-forceNetwork(Links = MisLinks, Nodes = MisNodes,

             Source = 'source', Target = 'target',

             NodeID = 'name', Group = 'group',opacityNoHover = TRUE,

             zoom = TRUE, bounded = TRUE,

             fontSize = 15,

             linkDistance = 75,

             opacity = 0.9)

D3_network_LM

###################전체 코드################################

library(networkD3)

library(dplyr)

# data set 소설 레미제라블 인물 관계도

data(MisLinks, MisNodes)

head(MisNodes)

head(MisLinks)

# plot

D3_network_LM<-forceNetwork(Links = MisLinks, Nodes = MisNodes, 

             Source = 'source', Target = 'target', 

             NodeID = 'name', Group = 'group',opacityNoHover = TRUE,

             zoom = TRUE, bounded = TRUE,

             fontSize = 15,

             linkDistance = 75,

             opacity = 0.9)

D3_network_LM

# html 발사

networkD3::saveNetwork(D3_network_LM, "D3_LM.html", selfcontained = TRUE)

###########연습해 볼 데이터##################

links = '[

  {"source": "Microsoft", "target": "Amazon", "type": "licensing"},

{"source": "Microsoft", "target": "HTC", "type": "licensing"},

{"source": "Samsung", "target": "Apple", "type": "suit"},

{"source": "Motorola", "target": "Apple", "type": "suit"},

{"source": "Nokia", "target": "Apple", "type": "resolved"},

{"source": "HTC", "target": "Apple", "type": "suit"},

{"source": "Kodak", "target": "Apple", "type": "suit"},

{"source": "Microsoft", "target": "Barnes & Noble", "type": "suit"},

{"source": "Microsoft", "target": "Foxconn", "type": "suit"},

{"source": "Oracle", "target": "Google", "type": "suit"},

{"source": "Apple", "target": "HTC", "type": "suit"},

{"source": "Microsoft", "target": "Inventec", "type": "suit"},

{"source": "Samsung", "target": "Kodak", "type": "resolved"},

{"source": "LG", "target": "Kodak", "type": "resolved"},

{"source": "RIM", "target": "Kodak", "type": "suit"},

{"source": "Sony", "target": "LG", "type": "suit"},

{"source": "Kodak", "target": "LG", "type": "resolved"},

{"source": "Apple", "target": "Nokia", "type": "resolved"},

{"source": "Qualcomm", "target": "Nokia", "type": "resolved"},

{"source": "Apple", "target": "Motorola", "type": "suit"},

{"source": "Microsoft", "target": "Motorola", "type": "suit"},

{"source": "Motorola", "target": "Microsoft", "type": "suit"},

{"source": "Huawei", "target": "ZTE", "type": "suit"},

{"source": "Ericsson", "target": "ZTE", "type": "suit"},

{"source": "Kodak", "target": "Samsung", "type": "resolved"},

{"source": "Apple", "target": "Samsung", "type": "suit"},

{"source": "Kodak", "target": "RIM", "type": "suit"},

{"source": "Nokia", "target": "Qualcomm", "type": "suit"}

]'

link_df = jsonlite::fromJSON(links)

# node의 index 숫자는 0부터 시작해야 한다

# dplyr::row_number()가 1부터 숫자를 매기기 때문에 거기서 1씩을 빼도록 한다

node_df = data.frame(node = unique(c(link_df$source, link_df$target))) %>% 

  mutate(idx = row_number()-1)

# node_df에서 index값을 가져와서 source와 target에 해당하는 index 값을 저장한다

link_df = link_df %>% 

  left_join(node_df %>% rename(source_idx = idx), by=c('source' = 'node')) %>% 

  left_join(node_df %>% rename(target_idx = idx), by=c('target' = 'node'))

# 데이터 확인

node_df

link_df

[6기_신병철]

D3_network_LM<-forceNetwork(Links = link_df,
Nodes = node_df,
Source = 'source_idx', Target = 'target_idx',
NodeID = 'node', Group = 'idx',
opacityNoHover = TRUE, zoom = TRUE,
bounded = TRUE,
fontSize = 15,
linkDistance = 75,
opacity = 0.9)

D3_network_LM

[6기_조대현]

forceNetwork(Links = link_df, Nodes = node_df,
Source = 'source_idx', Target = 'target_idx',
NodeID = 'node', Group = 'idx',
bounded = TRUE,
opacityNoHover = TRUE,
zoom = TRUE,
fontSize = 15,
linkDistance = 75,
opacity = 0.9)