R语言滑动窗口引文网络构建及多网络中心性统计高效实现问询

核心思路：放弃在全局环境生成22个独立对象的做法，改用列表批量处理中间结果，最后一次性合并所有统计值，既减少冗余代码也降低内存占用。

前置依赖 #

需要用到tidyverse做批量数据处理、igraph做网络分析，提前加载包：

library(tidyverse)
library(igraph)

实现代码 #

步骤1：构造滑动窗口映射表 #

先把22个窗口的编号和对应起止年份整理成映射表，方便后续批量调用：

window_map <- tibble(
  window = 1:22,
  start_y = 1995:2016,
  end_y = start_y + 4
)

步骤2：批量计算所有窗口的中心性并合并结果 #

直接用purrr::pmap_dfr遍历每个窗口，计算完成后自动按行拼接为最终数据框，不需要单独存储22个网络对象：

final_centrality <- pmap_dfr(window_map, function(window, start_y, end_y) {
  # 过滤当前窗口的引文数据，聚合边权重
  edge_data <- citations %>%
    filter(year >= start_y, year <= end_y) %>%
    rename(from = author_1, to = author_2) %>%
    group_by(from, to) %>%
    summarise(weight = sum(collaborations), .groups = "drop")
  
  # 构建加权网络，引文网络默认有向，按需调整directed参数
  g <- graph_from_data_frame(edge_data, directed = TRUE)
  
  # 计算三类中心性，参数可按需调整
  tibble(
    window = window,
    node = V(g)$name,
    degree = degree(g, weights = E(g)$weight),
    betweenness = betweenness(g, weights = E(g)$weight),
    closeness = closeness(g, weights = E(g)$weight)
  )
})

可选优化（数据量较大时使用） #

如果原始数据量很大，可以用data.table替换dplyr的过滤聚合逻辑，速度提升明显：

library(data.table)
setDT(citations) # 提前把数据转成data.table格式

# 把上面的edge_data生成逻辑替换为以下代码
edge_data <- citations[year >= start_y & year <= end_y, 
                       .(weight = sum(collaborations)), 
                       by = .(from = author_1, to = author_2)]

注意事项 #

• 原示例代码中存在列名笔误，数据中的作者列名为author_1、author_2，需要和实际数据字段保持一致
• 中心性计算的归一化设置、加权逻辑可以根据研究需求调整对应函数的参数
• 如果需要无向网络，修改graph_from_data_frame的directed参数为FALSE即可

内容的提问来源于stack exchange，提问作者Nanna