1.4 搭建影视作品的图网络

在前面的文章中，我们已经讲解来什么是图网络（Graph Network），什么是图节点（Graph Node），在这里，我们将具体用一个实际案例来直观地展现图网络的结构。
我们采用的数据是 Netflix 影视数据集，该数据集包含每个电影的标题、导演、国家、演员、时间等等信息。那么我们可以利用这些数据来构建一个关于影视数据的图网络。该数据集也曾用于 kaggle 公开的比赛中，我们可以从 kaggle下载该数据集。
我们通过 pandas 加载数据，并可以快速看到该数据的结构和每一条影视包含的属性。该数据的每一列含义如下：

这里，我们选择 title、director、cast、country、listed_in 这5个属性，并重新构造一份 data。
In [1]:

import pandas as pd
# 加载数据
df = pd.read_csv('/home/jovyan/kernel/netflix_titles.csv')
# 取出导演属性，如果该属性的值为空，则返回空列表 [] ，否则返回所有导演列表
df['directors'] = df['director'].apply(lambda l: [] if pd.isna(l) else [i.strip() for i in l.split(",")])
# 取出演员属性，如果该属性的值为空，则返回空列表 [] ，否则返回所有演员列表
df['actors'] = df['cast'].apply(lambda l: [] if pd.isna(l) else [i.strip() for i in l.split(",")])
# 取出导演属性，如果该属性的值为空，则返回空列表 [] ，否则返回所有影视类型列表
df['categories'] = df['listed_in'].apply(lambda l: [] if pd.isna(l) else [i.strip() for i in l.split(",")])
# 取出国家属性，如果该属性的值为空，则返回空列表 [] ，否则返回所有国家列表
df['countries'] = df['country'].apply(lambda l: [] if pd.isna(l) else [i.strip() for i in l.split(",")])
# 取出我们需要的5个属性
df = df[["title", "directors", "actors", "categories", "countries"]]
df

Out[1]:

6234 rows × 5 columns

接下来，我们就利用以上的数据来构建图网络来。
我们已经知道，图网络是由图节点和连接图节点的边构成。
针对以上5个属性，我们可以建立影视节点，影视类型节点，人物节点和国家节点，那么我们应该怎么构造连接这些图节点的边呢？
我们可以将这些属性之间的关系作如下表达：

• ACTED_IN：演员参演于该影视
• DERECTED_BY：导演执导该影视
• CATEGORY_IN：影视属于该类型
• COUNTRY_IN：影视制片于该国家

定义好图节点和边之后，我们使用 networkx 来构建我们的图网络。
In [2]:

import networkx as nx
# 初始化一个图网络 graph network (gn)
gn = nx.Graph(label="Netflix")
# 遍历数据来给图网络添加节点和边
for i, row in df.iterrows():
    # 添加影视节点
    gn.add_node(row['title'], label="MOVIE")
    # 遍历演员列表
    for actor in row['actors']:
        # 添加人物节点
        gn.add_node(actor, label="PERSON")
        # 添加该人物与该影视之间的边，关系为 ACTED_IN
        gn.add_edge(row['title'], actor, label="ACTED_IN")
    # 遍历导演列表
    for director in row['directors']:
        # 添加人物节点
        gn.add_node(director, label="PERSON")
        # 添加该人物与该影视之间的边， 关系为 DERECTED_BY
        gn.add_edge(row['title'], director, label="DERECTED_BY")
    # 遍历影视类型列表
    for cat in row['categories']:
        # 添加影视类型节点
        gn.add_node(cat, label="CATEGORY")
        # 添加该影视类型与该影视之间的边， 关系为 CATEGORY_IN
        gn.add_edge(row['title'], cat, label="CATEGORY_IN")
    # 遍历涉及的国家列表
    for cou in row['countries']:
        # 添加国家节点
        gn.add_node(cou, label="COUNTRY")
        # 添加该国家与该影视之间的边， 关系为 COUNTRY_IN
        gn.add_edge(row['title'], cou, label="COUNTRY_IN")

当我们把图网络构建完成后，我们就可以通过绘图可视化，来更加直观的看图网络的结构。
由于这里我们建立的图 gn 比较大，节点数量比较多，显示出来有点杂乱，所以我们绘制子图（Sub-graph）来看部分图节点之间的关系。
为了方便绘制子图，我们定义如下两个函数：

• get_adjacent_nodes：给定一些图节点，取出所有临近的图节点来构成一个子图
• draw_sub_graph：绘制子图

In [3]:

import matplotlib.pyplot as plt
plt.style.use('seaborn')
plt.rcParams['figure.figsize'] = [14,14]
def get_adjacent_nodes(G, nodes):
    sub_graph=set()
    for n in nodes:
        sub_graph.add(n)
        for e in G.neighbors(n):        
            sub_graph.add(e)
    return list(sub_graph)
def draw_sub_graph(G, sub_graph):
    # 从图网络 G 中取出子图 sub_graph
    subgraph = G.subgraph(sub_graph)
    pos = nx.spring_layout(subgraph)
    # 为每一种图节点标注一种颜色和大小
    node_colors=[]
    node_sizes = []
    for n in subgraph.nodes():
        if G.nodes[n]['label'] == "MOVIE":
            node_colors.append('blue')
            node_sizes.append(700)
        elif G.nodes[n]['label'] == "PERSON":
            node_colors.append('red')
            node_sizes.append(600)
        elif G.nodes[n]['label'] == "CATEGORY":
            node_colors.append('green')
            node_sizes.append(500)
        elif G.nodes[n]['label'] == "COUNTRY":
            node_colors.append('yellow')
            node_sizes.append(400)
    nx.draw(subgraph, pos, with_labels=True, node_color=node_colors, node_size=node_sizes, width=2, font_size=15)
    # 给每一条边绘制 label
    edge_labels = {}
    for e in subgraph.edges():
        if G.edges[e]['label'] == "ACTED_IN":
            edge_labels[e] = "ACTED_IN"
        if G.edges[e]['label'] == "DERECTED_BY":
            edge_labels[e] = "DERECTED_BY"
        if G.edges[e]['label'] == "CATEGORY_IN":
            edge_labels[e] = "CATEGORY_IN"
        if G.edges[e]['label'] == "COUNTRY_IN":
            edge_labels[e] = "COUNTRY_IN"
    nx.draw_networkx_edge_labels(subgraph, pos, edge_labels=edge_labels, font_color="red")

接下来，我们就可以利用这个图网络来分析我们的影视作品了。
我们首先来看一个例子，观察包含 Ocean’s Twelve（十二罗汉）和 Ocean’s Thirteen（十三罗汉）的子图。
In [4]:
nodes = [“Ocean’s Twelve”, “Ocean’s Thirteen”] sub_graph = get_adjacent_nodes(gn, nodes) draw_sub_graph(gn, sub_graph)

上图非常直观的反映出 Ocean’s Twelve（十二罗汉）和 Ocean’s Thirteen（十三罗汉）是非常相近的两部影视作品：它们 DERECTED_BY 同一个导演，CATERGORY_IN 相同的影视类型，COUNTRY_IN 同一个国家，大部分相同的演员 ACTED_IN 这两部影视。
这个子图能够非常清晰的展现出这两部影视作品的信息。
我们再来看一个例子，分析 Superman Returns（超人归来）和 Tom and Jerry: The Magic Ring（猫和老鼠）这两个影视作品的相关信息。
In [5]:

nodes = ["Ocean's Twelve", "Ocean's Thirteen"]
sub_graph = get_adjacent_nodes(gn, nodes)

draw_sub_graph(gn, sub_graph)

可以看到 Superman Returns（超人归来）和 Tom and Jerry: The Magic Ring（猫和老鼠）这两个影视作品没有直接连接的图节点。
如果我们想继续分析这两个影视作品的关联性，我们可以通过寻找图节点最短路径的算法 dijkstra 来寻找一条从 Superman Returns（超人归来）到 Tom and Jerry: The Magic Ring（猫和老鼠） 这两个节点的最短路径。
In [6]:

nodes = ["Superman Returns", "Tom and Jerry: The Magic Ring"]
sub_graph = get_adjacent_nodes(gn, nodes)

draw_sub_graph(gn, sub_graph)

最短路径图节点： [‘Superman Returns’, ‘Brandon Routh’, ‘Scott Pilgrim vs. the World’, ‘Comedies’, ‘Tom and Jerry: The Magic Ring’] 最短路径图节点以及它们直接的关系： Superman Returns Brandon Routh ACTED_IN Brandon Routh Scott Pilgrim vs. the World ACTED_IN Scott Pilgrim vs. the World Comedies CATEGORY_IN Comedies Tom and Jerry: The Magic Ring CATEGORY_IN