การวิเคราะห์เครือข่ายโซเชียลโดยใช้ Power BI และ R: A Custom Visuals Guide

การวิเคราะห์เครือข่ายโซเชียลกลายเป็นเครื่องมือสำคัญในการตอบสนองความต้องการทางวิชาชีพที่หลากหลายอย่างรวดเร็ว สามารถแจ้งเป้าหมายขององค์กร เช่น การตลาดแบบกำหนดเป้าหมาย และระบุความปลอดภัยหรือความเสี่ยงด้านชื่อเสียง การวิเคราะห์เครือข่ายโซเชียลยังสามารถช่วยให้ธุรกิจบรรลุเป้าหมายภายในได้: ให้ข้อมูลเชิงลึกเกี่ยวกับพฤติกรรมของพนักงานและความสัมพันธ์ระหว่างส่วนต่างๆ ของบริษัท

องค์กรสามารถใช้โซลูชันซอฟต์แวร์จำนวนมากสำหรับการวิเคราะห์เครือข่ายสังคม แต่ละคนมีข้อดีและข้อเสียและเหมาะสมกับวัตถุประสงค์ที่แตกต่างกัน บทความนี้เน้นที่ Power BI ของ Microsoft ซึ่งเป็นหนึ่งในเครื่องมือสร้างภาพข้อมูลที่ใช้บ่อยที่สุดในปัจจุบัน ในขณะที่ Power BI นำเสนอส่วนเสริมเครือข่ายโซเชียลมากมาย เราจะสำรวจภาพที่กำหนดเองใน R เพื่อสร้างผลลัพธ์ที่น่าสนใจและยืดหยุ่นยิ่งขึ้น

บทช่วยสอนนี้ใช้ความเข้าใจในทฤษฎีกราฟพื้นฐาน โดยเฉพาะกราฟที่กำกับ นอกจากนี้ ขั้นตอนต่อมาเหมาะที่สุดสำหรับ Power BI Desktop ซึ่งพร้อมใช้งานบน Windows เท่านั้น ผู้อ่านอาจใช้เบราว์เซอร์ Power BI บน Mac OS หรือ Linux แต่เบราว์เซอร์ Power BI ไม่สนับสนุนคุณลักษณะบางอย่าง เช่น การนำเข้าเวิร์กบุ๊ก Excel

การจัดโครงสร้างข้อมูลสำหรับการแสดงภาพ

การสร้างเครือข่ายสังคมเริ่มต้นด้วยการรวบรวมข้อมูลการเชื่อมต่อ (ขอบ) ข้อมูลการเชื่อมต่อประกอบด้วยสองฟิลด์หลัก: โหนดต้นทางและโหนด เป้าหมาย — โหนดที่ปลายด้านใดด้านหนึ่งของขอบ นอกเหนือจากโหนดเหล่านี้ เราสามารถรวบรวมข้อมูลเพื่อสร้างข้อมูลเชิงลึกด้านภาพที่ครอบคลุมมากขึ้น ซึ่งโดยทั่วไปจะแสดงเป็นคุณสมบัติของโหนดหรือขอบ:

1) คุณสมบัติโหนด

• รูปร่าง หรือ สี : ระบุประเภทผู้ใช้ เช่น ตำแหน่ง/ประเทศของผู้ใช้
• ขนาด : บ่งบอกถึงความสำคัญในเครือข่าย เช่น จำนวนผู้ติดตามของผู้ใช้
• รูปภาพ : ทำงานเป็นตัวระบุส่วนบุคคล เช่น avatar . ของผู้ใช้

2) คุณสมบัติของขอบ

• การเชื่อมต่อ สี จังหวะ หรือ หัวลูกศร : ระบุประเภทของการเชื่อมต่อ เช่น ความรู้สึกของโพสต์หรือทวีตที่เชื่อมโยงผู้ใช้สองคน
• ความกว้าง : แสดงถึงความแข็งแกร่งของการเชื่อมต่อ เช่น จำนวนการกล่าวถึงหรือรีทวีตระหว่างผู้ใช้สองคนในช่วงเวลาที่กำหนด

มาดูตัวอย่างภาพเครือข่ายโซเชียลเพื่อดูว่าคุณสมบัติเหล่านี้ทำงานอย่างไร:

นอกจากนี้เรายังสามารถใช้ข้อความโฮเวอร์เพื่อเสริมหรือแทนที่พารามิเตอร์ข้างต้น เนื่องจากสามารถรองรับข้อมูลอื่นๆ ที่ไม่สามารถแสดงได้อย่างง่ายดายผ่านคุณสมบัติของโหนดหรือขอบ

การเปรียบเทียบส่วนขยายเครือข่ายโซเชียลของ Power BI

หลังจากกำหนดคุณลักษณะข้อมูลต่างๆ ของเครือข่ายสังคมแล้ว มาตรวจสอบข้อดีและข้อเสียของเครื่องมือยอดนิยมสี่เครื่องมือที่ใช้แสดงภาพเครือข่ายใน Power BI

กราฟเครือข่ายสังคมโดย Arthur Graus, Network Navigator และ Advanced Networks โดย ZoomCharts (Light Edition) เป็นส่วนขยายที่เหมาะสมทั้งหมดในการพัฒนาเครือข่ายสังคมออนไลน์แบบง่ายๆ และเริ่มต้นการวิเคราะห์เครือข่ายสังคมครั้งแรกของคุณ

อย่างไรก็ตาม หากคุณต้องการทำให้ข้อมูลของคุณมีชีวิตชีวาและเปิดเผยข้อมูลเชิงลึกที่แปลกใหม่ด้วยภาพที่ดึงดูดความสนใจ หรือหากเครือข่ายโซเชียลของคุณซับซ้อนเป็นพิเศษ ฉันแนะนำให้พัฒนาภาพที่กำหนดเองใน R

การแสดงภาพแบบกำหนดเองนี้เป็นผลลัพธ์สุดท้ายของส่วนขยายเครือข่ายโซเชียลของบทช่วยสอนของเราใน R และแสดงให้เห็นถึงคุณสมบัติที่หลากหลายและคุณสมบัติของโหนด/ขอบที่เสนอโดย R

การสร้างส่วนขยายเครือข่ายโซเชียลสำหรับ Power BI โดยใช้ R

การสร้างส่วนขยายเพื่อแสดงภาพเครือข่ายสังคมใน Power BI โดยใช้ R ประกอบด้วยห้าขั้นตอนที่แตกต่างกัน แต่ก่อนที่เราจะสามารถสร้างส่วนขยายเครือข่ายสังคมของเราได้ เราต้องโหลดข้อมูลของเราลงใน Power BI

วิชาบังคับก่อน: รวบรวมและเตรียมข้อมูลสำหรับ Power BI

คุณสามารถทำตามบทช่วยสอนนี้ด้วยชุดข้อมูลทดสอบตามข้อมูล Twitter และ Facebook หรือดำเนินการกับเครือข่ายโซเชียลของคุณเอง ข้อมูลของเราได้รับการสุ่ม คุณสามารถดาวน์โหลดข้อมูล Twitter จริงได้หากต้องการ หลังจากที่คุณรวบรวมข้อมูลที่จำเป็นแล้ว ให้เพิ่มลงใน Power BI (เช่น โดยการนำเข้าเวิร์กบุ๊ก Excel หรือเพิ่มข้อมูลด้วยตนเอง) ผลลัพธ์ของคุณควรคล้ายกับตารางต่อไปนี้:

เมื่อคุณตั้งค่าข้อมูลแล้ว คุณก็พร้อมที่จะสร้างการแสดงภาพแบบกำหนดเอง

ขั้นตอนที่ 1: ตั้งค่าเทมเพลตการแสดงข้อมูล

การพัฒนาการแสดงภาพ Power BI ไม่ใช่เรื่องง่าย—แม้แต่ภาพพื้นฐานก็ต้องการไฟล์นับพันไฟล์ โชคดีที่ Microsoft มีไลบรารี่ที่เรียกว่า pbiviz ซึ่งจัดเตรียมไฟล์ที่รองรับโครงสร้างพื้นฐานที่จำเป็นด้วยโค้ดเพียงไม่กี่บรรทัด ไลบรารี pbiviz จะบรรจุไฟล์สุดท้ายทั้งหมดของเราใหม่เป็นไฟล์ .pbiviz ซึ่งเราสามารถโหลดลงใน Power BI ได้โดยตรงในรูปแบบการแสดงภาพ

วิธีที่ง่ายที่สุดในการติดตั้ง pbiviz คือ Node.js เมื่อติดตั้ง pbiviz แล้ว เราจำเป็นต้องเริ่มต้นวิชวล R แบบกำหนดเองของเราผ่านอินเทอร์เฟซบรรทัดคำสั่งของเครื่อง:

 pbiviz new toptalSocialNetworkByBharatGarg -t rhtml cd toptalSocialNetworkByBharatGarg npm install pbiviz package

อย่าลืมแทนที่ toptalSocialNetworkByBharatGarg ด้วยชื่อที่ต้องการสำหรับการสร้างภาพข้อมูลของคุณ -t rhtml แจ้งแพ็คเกจ pbiviz ว่าควรสร้างเทมเพลตเพื่อพัฒนาการแสดงข้อมูล HTML แบบ R-based คุณจะเห็นข้อผิดพลาดเนื่องจากเรายังไม่ได้ระบุฟิลด์ต่างๆ เช่น ชื่อผู้เขียนและอีเมลในแพ็คเกจของเรา แต่เราจะแก้ไขปัญหาเหล่านี้ในภายหลังในบทช่วยสอน หากสคริปต์ pbiviz ไม่ทำงานเลยใน PowerShell คุณอาจต้องอนุญาตสคริปต์ด้วย Set-ExecutionPolicy RemoteSigned ก่อน

เมื่อรันโค้ดสำเร็จ คุณจะเห็นโฟลเดอร์ที่มีโครงสร้างดังต่อไปนี้:

เมื่อเรามีโครงสร้างโฟลเดอร์พร้อมแล้ว เราก็สามารถเขียนโค้ด R สำหรับการสร้างภาพข้อมูลที่กำหนดเองได้

ขั้นตอนที่ 2: เขียนโค้ดการแสดงภาพใน R

ไดเร็กทอรีที่สร้างในขั้นตอนแรกมีไฟล์ชื่อ script.r ซึ่งประกอบด้วยโค้ดดีฟอลต์ (โค้ดเริ่มต้นสร้างส่วนขยาย Power BI อย่างง่าย ซึ่งใช้ฐานข้อมูลตัวอย่าง iris ที่มีอยู่ใน R เพื่อพล็อตฮิสโตแกรมของ Petal.Length โดย Petal.Species ) เราจะอัปเดตโค้ดแต่คงโครงสร้างเริ่มต้นไว้

โครงการของเราใช้ไลบรารี R สามแห่ง:

• DiagrammeR: สร้างกราฟจากข้อความ
• visNetwork: ให้การแสดงภาพเครือข่ายแบบโต้ตอบ
• data.table: ช่วยในการจัดระเบียบข้อมูล คล้ายกับ data.frame

มาแทนที่โค้ดในส่วนการ Library Declarations ของ script.r เพื่อให้สอดคล้องกับการใช้งานไลบรารีของเรา:

 libraryRequireInstall("DiagrammeR") libraryRequireInstall("visNetwork") libraryRequireInstall("data.table")

ต่อไป เราจะแทนที่รหัสในส่วน Actual code ด้วยรหัส R ของเรา ก่อนสร้างการแสดงภาพ เราต้องอ่านและประมวลผลข้อมูลของเราก่อน เราจะรับสองอินพุตจาก Power BI:

• num_records : อินพุตตัวเลข N เพื่อให้เราเลือกเฉพาะการเชื่อมต่อ N อันดับแรกจากเครือข่ายของเรา (เพื่อจำกัดจำนวนการเชื่อมต่อที่แสดง)
• dataset : โหนดและขอบเครือข่ายโซเชียลของเรา

ในการคำนวณการเชื่อมต่อ N ที่เราจะพล็อต เราจำเป็นต้องรวมค่า num_records เนื่องจาก Power BI จะให้เวกเตอร์ตามค่าเริ่มต้นแทนที่จะเป็นค่าตัวเลขเดียว ฟังก์ชันการรวมเช่น max บรรลุเป้าหมายนี้:

 limit_connection <- max(num_records)

ตอนนี้เราจะอ่าน dataset เป็นวัตถุ data.table พร้อมคอลัมน์ที่กำหนดเอง เราจัดเรียงชุดข้อมูลตามค่าตามลำดับที่ลดลงเพื่อวางการเชื่อมต่อที่บ่อยที่สุดไว้ที่ด้านบนสุดของตาราง เพื่อให้แน่ใจว่าเราเลือกระเบียนที่สำคัญที่สุดที่จะลงจุดเมื่อเราจำกัดการเชื่อมต่อกับ num_records :

 dataset <- data.table(from = dataset[[1]] ,to = dataset[[2]] ,value = dataset[[3]] ,col_sentiment = dataset[[4]] ,col_type = dataset[[5]] ,from_name = dataset[[6]] ,to_name = dataset[[7]] ,from_avatar = dataset[[8]] ,to_avatar = dataset[[9]])[ order(-value)][ seq(1, min(nrow(dataset), limit_connection))]

ต่อไป เราต้องเตรียมข้อมูลผู้ใช้ของเราโดยการสร้างและจัดสรร ID ผู้ใช้ที่ไม่ซ้ำกัน ( uid ) ให้กับผู้ใช้แต่ละราย โดยจัดเก็บไว้ในตารางใหม่ เรายังคำนวณจำนวนผู้ใช้ทั้งหมดและเก็บข้อมูลนั้นไว้ในตัวแปรแยกต่างหากที่เรียกว่า num_nodes :

 user_ids <- data.table(id = unique(c(dataset$from, dataset$to)))[, uid := 1:.N] num_nodes <- nrow(user_ids)

มาอัปเดตข้อมูลผู้ใช้ของเราด้วยคุณสมบัติเพิ่มเติม ได้แก่ :

• จำนวนผู้ติดตาม (ขนาดของโหนด)
• จำนวนเร็กคอร์ด
• ประเภทผู้ใช้ (รหัสสี)
• ลิงค์อวาตาร์

เราจะใช้ฟังก์ชัน merge ของ R เพื่ออัปเดตตาราง:

 user_ids <- merge(user_ids, dataset[, .(num_follower = uniqueN(to)), from], by.x = 'id', by.y = 'from', all.x = T)[is.na(num_follower), num_follower := 0][, size := num_follower][num_follower > 0, size := size + 50][, size := size + 10] user_ids <- merge(user_ids, dataset[, .(sum_val = sum(value)), .(to, col_type)][order(-sum_val)][, id := 1:.N, to][id == 1, .(to, col_type)], by.x = 'id', by.y = 'to', all.x = T) user_ids[id %in% dataset$from, col_type := '#42f548'] user_ids <- merge(user_ids, unique(rbind(dataset[, .('id' = from, 'Name' = from_name, 'avatar' = from_avatar)], dataset[, .('id' = to, 'Name' = to_name, 'avatar' = to_avatar)])), by = 'id')

นอกจากนี้เรายังเพิ่ม uid ที่เราสร้างขึ้นไปยังชุดข้อมูลดั้งเดิมเพื่อให้เราสามารถดึงรหัส from และ to ID ผู้ใช้ในภายหลังในโค้ด:

 dataset <- merge(dataset, user_ids[, .(id, uid)], by.x = "from", by.y = "id") dataset <- merge(dataset, user_ids[, .(id, uid_retweet = uid)], by.x = "to", by.y = "id") user_ids <- user_ids[order(uid)]

ต่อไป เราสร้างเฟรมข้อมูลโหนดและขอบสำหรับการแสดงภาพ เราเลือก style และ shape ของโหนดของเรา (วงกลมที่เติม) และเลือกคอลัมน์ที่ถูกต้องของตาราง user_ids ของเราเพื่อเติมแอตทริบิวต์ color , data , value และ image ของโหนด:

 nodes <- create_node_df(n = num_nodes, type = "lower",, color = user_ids$col_type, shape = 'circularImage', data = user_ids$uid, value = user_ids$size, image = user_ids$avatar, title = paste0("<p>Name: <b>", user_ids$Name,"</b><br>", "Super UID <b>", user_ids$id, "</b><br>", "# followers <b>", user_ids$num_follower, "</b><br>", "</p>") )

ในทำนองเดียวกัน เราเลือกคอลัมน์ตาราง dataset ที่สอดคล้องกับแอตทริบิวต์ขอบของเรา from , to และ color :

 edges <- create_edge_df(from = dataset$uid, to = dataset$uid_retweet, arrows = "to", color = dataset$col_sentiment)

ในที่สุด เมื่อโหนดและเฟรมข้อมูลขอบพร้อมแล้ว เรามาสร้างภาพข้อมูลของเราโดยใช้ไลบรารี visNetwork และจัดเก็บไว้ในตัวแปรที่โค้ดเริ่มต้นจะใช้ในภายหลัง เรียกว่า p :

 p <- visNetwork(nodes, edges) %>% visOptions(highlightNearest = list(enabled = TRUE, degree = 1, hover = T)) %>% visPhysics(stabilization = list(enabled = FALSE, iterations = 10), adaptiveTimestep = TRUE, barnesHut = list(avoidOverlap = 0.2, damping = 0.15, gravitationalConstant = -5000))

ที่นี่ เราปรับแต่งการกำหนดค่าการแสดงภาพเครือข่ายบางส่วนใน visOptions และ visPhysics อย่าลังเลที่จะดูหน้าเอกสารและอัปเดตตัวเลือกเหล่านี้ตามต้องการ ส่วน Actual code ของเราเสร็จสมบูรณ์แล้ว และเราควรอัปเดตส่วน Create and save widget โดยลบบรรทัด p = ggplotly(g); เนื่องจากเราเข้ารหัสตัวแปรการสร้างภาพของเราเอง p

ขั้นตอนที่ 3: เตรียมการแสดงภาพสำหรับ Power BI

ตอนนี้เราเขียนโค้ดใน R เสร็จแล้ว เราต้องทำการเปลี่ยนแปลงบางอย่างในไฟล์ JSON ที่สนับสนุนของเรา เพื่อเตรียมการแสดงภาพสำหรับใช้ใน Power BI

มาเริ่มกันที่ไฟล์ capabilities.json .json ประกอบด้วยข้อมูลส่วนใหญ่ที่คุณเห็นในแท็บการ แสดง ข้อมูลสำหรับวิชวล เช่น แหล่งข้อมูลของส่วนขยายและการตั้งค่าอื่นๆ อันดับแรก เราต้องอัปเดต dataRoles และแทนที่ค่าที่มีอยู่ด้วยบทบาทข้อมูลใหม่สำหรับ dataset และอินพุต num_records ของเรา:

 # ... "dataRoles": [ { "displayName": "dataset", "description": "Connection Details - From, To, # of Connections, Sentiment Color, To Node Type Color", "kind": "GroupingOrMeasure", "name": "dataset" }, { "displayName": "num_records", "description": "number of records to keep", "kind": "Measure", "name": "num_records" } ], # ...

ในไฟล์ dataViewMappings capabilities.json เราจะเพิ่ม conditions ที่อินพุตของเราต้องปฏิบัติตาม รวมทั้งอัปเดต scriptResult เพื่อให้ตรงกับบทบาทข้อมูลใหม่ของเราและเงื่อนไข ดูส่วน conditions พร้อมกับส่วน select ภายใต้ scriptResult สำหรับการเปลี่ยนแปลง:

 # ... "dataViewMappings": [ { "conditions": [ { "dataset": { "max": 20 }, "num_records": { "max": 1 } } ], "scriptResult": { "dataInput": { "table": { "rows": { "select": [ { "for": { "in": "dataset" } }, { "for": { "in": "num_records" } } ], "dataReductionAlgorithm": { "top": {} } } } }, # ...

ไปที่ไฟล์ dependencies.json ของเรา ที่นี่ เราจะเพิ่มสามแพ็คเกจเพิ่มเติมภายใต้ cranPackages เพื่อให้ Power BI สามารถระบุและติดตั้งไลบรารีที่จำเป็นได้:

 { "name": "data.table", "displayName": "data.table", "url": "https://cran.r-project.org/web/packages/data.table/index.html" }, { "name": "DiagrammeR", "displayName": "DiagrammeR", "url": "https://cran.r-project.org/web/packages/DiagrammeR/index.html" }, { "name": "visNetwork", "displayName": "visNetwork", "url": "https://cran.r-project.org/web/packages/visNetwork/index.html" },

หมายเหตุ: Power BI ควรติดตั้งไลบรารีเหล่านี้โดยอัตโนมัติ แต่ถ้าคุณพบข้อผิดพลาดของไลบรารี ให้ลองเรียกใช้คำสั่งต่อไปนี้:

 install.packages(c("DiagrammeR", "htmlwidgets", "visNetwork", "data.table", "xml2"))

สุดท้าย มาเพิ่มข้อมูลที่เกี่ยวข้องสำหรับภาพของเราในไฟล์ pbiviz.json ฉันขอแนะนำให้อัปเดตฟิลด์ต่อไปนี้:

• ช่องคำอธิบายภาพ
• URL การสนับสนุนของวิชวล
• GitHub URL ของวิชวล
• ชื่อผู้เขียน
• อีเมลของผู้เขียน

ตอนนี้ ไฟล์ของเราได้รับการอัปเดตแล้ว และเราต้องจัดแพ็คเกจการแสดงภาพใหม่จากบรรทัดคำสั่ง:

 pbiviz package

ในการรันโค้ดที่ประสบความสำเร็จ ไฟล์ .pbiviz ควรถูกสร้างขึ้นในไดเร็กทอรี dist โค้ดทั้งหมดที่กล่าวถึงในบทช่วยสอนนี้สามารถดูได้ที่ GitHub

ขั้นตอนที่ 4: นำเข้าการแสดงภาพไปยัง Power BI

ในการนำเข้าการแสดงภาพใหม่ของคุณใน Power BI ให้เปิดรายงาน Power BI ของคุณ (รายงานสำหรับข้อมูลที่มีอยู่หรือที่สร้างขึ้นระหว่างขั้นตอน ข้อกำหนดเบื้องต้น พร้อมข้อมูลการทดสอบ) และไปที่แท็บการ แสดง ข้อมูล คลิกปุ่ม ... [ตัวเลือกเพิ่มเติม] แล้วเลือก นำเข้าภาพจากไฟล์ หมายเหตุ: คุณอาจต้องเลือก แก้ไข ในเบราว์เซอร์ก่อนจึงจะมองเห็นแท็บการ แสดง ข้อมูลได้

นำทางไปยังไดเร็กทอรี dist ของโฟลเดอร์การแสดงภาพของคุณ และเลือกไฟล์ .pbiviz เพื่อโหลดภาพของคุณเข้าสู่ Power BI อย่างราบรื่น

ขั้นตอนที่ 5: สร้างการแสดงภาพใน Power BI

ขณะนี้การแสดงภาพที่คุณนำเข้ามีอยู่ในบานหน้าต่างการแสดงภาพ คลิกที่ไอคอนการแสดงภาพเพื่อเพิ่มลงในรายงานของคุณ แล้วเพิ่มคอลัมน์ที่เกี่ยวข้องลงใน dataset และอินพุต num_records :

คุณสามารถเพิ่มข้อความ ตัวกรอง และคุณลักษณะเพิ่มเติมให้กับการแสดงภาพได้ ทั้งนี้ขึ้นอยู่กับข้อกำหนดของโครงการของคุณ ฉันยังแนะนำให้คุณอ่านเอกสารโดยละเอียดสำหรับไลบรารี R สามตัวที่เราเคยใช้เพื่อปรับปรุงการแสดงภาพของคุณให้ดียิ่งขึ้น เนื่องจากโปรเจ็กต์ตัวอย่างของเราไม่สามารถครอบคลุมกรณีการใช้งานทั้งหมดของฟังก์ชันที่มีได้

อัปเกรดการวิเคราะห์เครือข่ายโซเชียลครั้งต่อไปของคุณ

ผลลัพธ์สุดท้ายของเราคือข้อพิสูจน์ถึงพลังและประสิทธิภาพของ R เมื่อพูดถึงการสร้างการแสดงภาพ Power BI แบบกำหนดเอง ลองใช้การวิเคราะห์เครือข่ายสังคมโดยใช้ภาพที่กำหนดเองใน R ในชุดข้อมูลถัดไป และทำการตัดสินใจที่ชาญฉลาดยิ่งขึ้นด้วยข้อมูลเชิงลึกที่ครอบคลุม

บล็อก Toptal Engineering ขอขอบคุณ Leandro Roser สำหรับการตรวจสอบตัวอย่างโค้ดที่นำเสนอในบทความนี้