使用Graphs.jl构建联系人网络可视化遇顶点数问题，求可行方案

核心思路：ID到连续索引的映射 #

Graphs.jl的图顶点依赖连续整数索引，直接用百万级大ID会创建大量空顶点，完全没必要。正确做法是把所有唯一的人员ID映射成从1开始的连续小索引，这样图的顶点数就等于实际存在的人员数（最多136个，因为数据集只有68条边）。

具体实现步骤 #

1. 生成ID到索引的映射 #

先收集所有出现的person1和person2的ID，去重后给每个ID分配唯一的小索引：

using DataFrames, Graphs, SimpleWeightedGraphs

# 假设你的数据在DataFrame df1里
all_ids = unique(vcat(df1.person1, df1.person2))
id_to_idx = Dict(id => i for (i, id) in enumerate(all_ids))

2. 转换边的源/目标为小索引 #

把原来的大ID替换成对应的索引，再构建加权图：

sources = [id_to_idx[id] for id in df1.person1]
destinations = [id_to_idx[id] for id in df1.person2]
weights = df1.overlaptime

g = SimpleWeightedGraph(sources, destinations, weights)

3. 关联人员属性并设置顶点颜色 #

假设你有包含人员属性的DataFrame person_attr，列包括person_id、income_level（如"high"/"low"）：

# 为每个顶点（索引）匹配对应属性
vertex_attr = [person_attr[person_attr.person_id .== all_ids[i], :income_level][1] for i in 1:nv(g)]

# 映射颜色：高收入用红色，低收入用蓝色
color_map = Dict("high" => :red, "low" => :blue)
vertex_colors = [color_map[attr] for attr in vertex_attr]

4. 可视化网络 #

推荐两种可视化方案，按需选择：

快速绘图：GraphPlot.jl

using GraphPlot

gplot(g, 
      nodefillc=vertex_colors, 
      edgelinewidth=[w/1000 for w in weights],  # 按重叠时长缩放边宽
      nodelabel=all_ids,  # 可选：显示原始人员ID
      layout=spring_layout)

定制化绘图：Makie.jl

using Makie, NetworkLayout

# 计算节点布局位置
pos = spring(g)

# 创建画布与轴
fig, ax = scatter(pos[:,1], pos[:,2], color=vertex_colors, markersize=15)
# 绘制边
for (s, d, w) in zip(sources, destinations, weights)
    lines!(ax, [pos[s,1], pos[d,1]], [pos[s,2], pos[d,2]], linewidth=w/500, color=:gray)
end
# 添加节点标签
for (i, id) in enumerate(all_ids)
    text!(ax, pos[i,1], pos[i,2], text=string(id), offset=(5,5))
end
display(fig)

额外提示 #

• 若属性数据量大，建议用leftjoin将属性合并到索引映射的DataFrame中，避免循环查找
• 重叠时长作为边权重，可通过边宽度、透明度体现权重差异
• 如需交互式可视化，可尝试InteractiveGraphs.jl

内容的提问来源于stack exchange，提问作者Chao