如何结合属性统计开展带权重有向网络的描述性分析？

当然可以基于边权重（通信频率）计算更深入的网络指标，igraph完全支持带权重的中心性、介数等统计，以下是可直接落地的R代码方案：

1. 基础准备：构建带权重的有向网络 #

首先加载igraph包，用你的DataFrame构建网络，并将frequency设为边的权重属性：

library(igraph)

# 构建示例数据框
df <- data.frame(
  sender = c("a", "b", "c"),
  receiver = c("b", "c", "a"),
  frequency = c(5, 7, 4)
)

# 构建有向图，自动保留边属性
g <- graph_from_data_frame(df, directed = TRUE)
# 明确将frequency设为边权重（统一命名为weight方便后续调用）
E(g)$weight <- E(g)$frequency

2. 加权度中心性（Weighted Degree） #

普通度中心性只统计边数，加权度会把每条边的通信频率累加，更能反映节点的通信强度：

# 加权出度（节点主动发起的总通信频率）
weighted_out_degree <- degree(g, mode = "out", weights = E(g)$weight)
# 加权入度（节点接收的总通信频率）
weighted_in_degree <- degree(g, mode = "in", weights = E(g)$weight)
# 加权总度（双向总通信频率）
weighted_total_degree <- degree(g, mode = "all", weights = E(g)$weight)

# 输出结果
print(weighted_out_degree)
print(weighted_in_degree)

3. 加权介数中心性（Weighted Betweenness） #

介数衡量节点作为“桥梁”的重要性，加权版本会考虑边的通信频率：
注意：igraph的betweenness函数中，weights参数默认代表路径长度——权重越大，路径成本越高。如果你的frequency代表通信频繁程度（即高频边的“通行成本”更低），需要用1/E(g)$weight作为权重；若直接用frequency，则会认为高频边是“更难走”的路径。

# 方案1：将通信频率转换为路径成本（高频=低成本），计算加权介数
weighted_betweenness <- betweenness(g, directed = TRUE, weights = 1/E(g)$weight)

# 方案2：直接用frequency作为权重（仅当你认为高频边路径成本更高时使用）
# weighted_betweenness <- betweenness(g, directed = TRUE, weights = E(g)$weight)

print(weighted_betweenness)

4. 加权 closeness 中心性（Weighted Closeness） #

closeness衡量节点到其他所有节点的平均“距离”，加权版本同样需注意权重的含义：

# 基于路径成本（高频=低成本）的加权closeness
weighted_closeness <- closeness(g, mode = "all", weights = 1/E(g)$weight)

print(weighted_closeness)

5. 其他加权指标 #

• 加权特征向量中心性：衡量节点的“影响力”，连接高权重节点的节点得分更高：

weighted_evcent <- evcent(g, weights = E(g)$weight)$vector
print(weighted_evcent)

• 加权PageRank：模拟随机游走，高频边会提升节点的跳转概率：

weighted_pagerank <- page_rank(g, weights = E(g)$weight)$vector
print(weighted_pagerank)

关键说明 #

• 有向图的方向性：所有指标都支持通过mode参数区分入、出、双向的计算结果，按需选择即可。
• 权重的含义：务必根据业务场景调整权重的使用方式——比如通信频率越高，节点间的“连接强度”越高，对应路径成本越低，此时需用1/frequency作为权重代入介数、closeness等指标计算。

内容的提问来源于stack exchange，提问作者Antonio Alaia