基于交易数据的用户-应用交互式网络可视化优化需求

核心思路 #

基于你的需求，推荐两种成熟的实现路径：轻量快速的Pyvis方案，或高度定制化的Plotly+NetworkX方案，两者都能满足节点贴近关联对象、边宽随交易总量变化、交互式操作三个核心要求。

先明确预处理前提 #

如果你的原始数据存在重复的「员工-应用」记录，先聚合计算总传输量，避免重复边：

import pandas as pd

# 假设你的数据存放在data.csv中
df = pd.read_csv("data.csv")
# 按员工邮箱+应用分组，求和得到总传输量
agg_df = df.groupby(["员工邮箱", "访问应用"])["交易数据传输量"].sum().reset_index()

方案1：Pyvis（快速实现交互式） #

Pyvis是专门用于交互式网络图的库，支持拖拽、缩放、悬停显示信息，代码量极少。

安装依赖 #

pip install pyvis pandas

完整代码 #

from pyvis.network import Network
import pandas as pd

# 示例数据（替换为你的聚合后数据）
agg_df = pd.DataFrame([
    {"员工邮箱": "alice@company.com", "访问应用": "AppA", "交易数据传输量": 1200},
    {"员工邮箱": "bob@company.com", "访问应用": "AppA", "交易数据传输量": 800},
    {"员工邮箱": "alice@company.com", "访问应用": "AppB", "交易数据传输量": 500},
    {"员工邮箱": "charlie@company.com", "访问应用": "AppC", "交易数据传输量": 2000},
])

# 初始化网络图，配置物理布局（让关联节点自动贴近）
net = Network(
    height="800px", 
    width="100%", 
    bgcolor="#222", 
    font_color="#fff",
    directed=False  # 无向图，符合访问关系
)
# 调整布局参数：spring_length越小，关联节点距离越近；gravity控制整体紧凑度
net.barnes_hut(gravity=-7000, spring_length=150, spring_strength=0.02)

# 添加节点与边
for _, row in agg_df.iterrows():
    user_node = row["员工邮箱"]
    app_node = row["访问应用"]
    traffic = row["交易数据传输量"]
    
    # 区分节点样式：用户节点绿色，应用节点蓝色
    if user_node not in [n["id"] for n in net.nodes]:
        net.add_node(user_node, color="#0f0", size=20, title=f"用户: {user_node}")
    if app_node not in [n["id"] for n in net.nodes]:
        net.add_node(app_node, color="#00f", size=30, title=f"应用: {app_node}")
    
    # 边宽按传输量缩放（系数根据你的数据最大值调整，保证边宽在1-20区间）
    edge_width = traffic / 200
    net.add_edge(
        user_node, 
        app_node, 
        width=edge_width, 
        title=f"总传输量: {traffic}"
    )

# 生成可直接打开的交互式HTML文件
net.show("employee_app_network.html")

关键调整点 #

• 修改spring_length：值越小，访问同一应用的用户节点会越贴近该应用节点
• 调整edge_width的缩放系数：如果你的最大传输量是10000，可改为traffic / 500，避免边过粗

方案2：Plotly + NetworkX（高度定制化） #

如果需要更复杂的交互逻辑（比如点击节点展示详情、自定义图例），用Plotly配合NetworkX更灵活。

安装依赖 #

pip install plotly networkx pandas

完整代码 #

import networkx as nx
import plotly.graph_objects as go
import pandas as pd

# 示例数据（替换为你的聚合后数据）
agg_df = pd.DataFrame([
    {"员工邮箱": "alice@company.com", "访问应用": "AppA", "交易数据传输量": 1200},
    {"员工邮箱": "bob@company.com", "访问应用": "AppA", "交易数据传输量": 800},
    {"员工邮箱": "alice@company.com", "访问应用": "AppB", "交易数据传输量": 500},
    {"员工邮箱": "charlie@company.com", "访问应用": "AppC", "交易数据传输量": 2000},
])

# 构建图结构
G = nx.Graph()
for _, row in agg_df.iterrows():
    G.add_edge(
        row["员工邮箱"], 
        row["访问应用"], 
        weight=row["交易数据传输量"]
    )

# 布局：spring_layout的k值越小，节点整体距离越近（关联节点会自然贴近）
pos = nx.spring_layout(G, k=0.12, seed=42)  # seed保证布局固定可复现

# 提取节点坐标与样式
node_x = [pos[node][0] for node in G.nodes()]
node_y = [pos[node][1] for node in G.nodes()]
node_colors = ["#0f0" if "@" in node else "#00f" for node in G.nodes()]  # 区分用户/应用节点
node_text = [f"{node}<br>类型: {'员工' if '@' in node else '应用'}" for node in G.nodes()]

# 处理边数据：按传输量调整宽度
edge_x, edge_y, edge_width, edge_text = [], [], [], []
for u, v, attrs in G.edges(data=True):
    x0, y0 = pos[u]
    x1, y1 = pos[v]
    edge_x.extend([x0, x1, None])
    edge_y.extend([y0, y1, None])
    edge_width.append(attrs["weight"] / 200)
    edge_text.append(f"传输量: {attrs['weight']}")

# 绘制边
edge_trace = go.Scatter(
    x=edge_x, y=edge_y,
    line=dict(width=edge_width, color="#888"),
    hoverinfo="text",
    text=edge_text,
    mode="lines"
)

# 绘制节点
node_trace = go.Scatter(
    x=node_x, y=node_y,
    mode="markers+text",
    text=[node.split("@")[0] if "@" in node else node for node in G.nodes()],  # 简化显示
    textposition="top center",
    hoverinfo="text",
    textfont=dict(size=10),
    marker=dict(
        color=node_colors,
        size=20,
        line=dict(color="#fff", width=2)
    )
)

# 配置图布局
fig = go.Figure(
    data=[edge_trace, node_trace],
    layout=go.Layout(
        title="员工-应用访问关系图",
        titlefont_size=18,
        showlegend=False,
        hovermode="closest",
        margin=dict(b=20, l=5, r=5, t=40),
        xaxis=dict(showgrid=False, zeroline=False, showticklabels=False),
        yaxis=dict(showgrid=False, zeroline=False, showticklabels=False),
        clickmode="event+select"  # 支持点击节点触发后续逻辑
    )
)

# 显示交互式图（或用fig.write_html导出HTML）
fig.show()

关键调整点 #

• 替换spring_layout为kamada_kawai_layout：该布局会让边的长度更均匀，关联节点的贴近效果更稳定
• 若需要添加点击事件，可通过fig.update_layout(clickmode='event+select')结合Plotly的回调函数实现

额外优化建议 #

1. 节点分组高亮：可以给同一部门的员工节点设置相同颜色，或给高频访问的应用节点设置更大尺寸
2. 布局微调：如果节点数量较多，Pyvis可增大gravity值，NetworkX可减小k值，让布局更紧凑
3. 数据过滤：如果存在传输量极小的记录，可提前过滤（比如agg_df = agg_df[agg_df["交易数据传输量"] > 100]），避免图中出现过多细边

内容的提问来源于stack exchange，提问作者SAL