图数据可视化

图数据由节点（Nodes）和边（Edges/Links）组成，是一种描述实体间关系的通用数据结构。与表格数据不同，图数据的核心在于拓扑结构——节点之间如何连接、形成什么样的模式。

理解图数据的特征是进行有效可视化的前提。我们需要关注节点层面、边层面和全局层面的特征。

节点度数（Degree）是最基本的图特征，指与该节点直接相连的边数。在有向图中，分为入度和出度。度数高的节点通常是网络中的"枢纽"。

节点中心性（Centrality）衡量节点在网络中的重要程度，有多种定义：

聚类系数（Clustering Coefficient）衡量节点的邻居之间互相连接的程度，反映局部网络的紧密程度。值域为 [0, 1]，值越高表示局部越紧密。

连通性（Connectivity）：图是否存在从任一节点到达另一节点的路径。无向图中称为连通分量（Connected Components），有向图中分为强连通和弱连通。

社区结构（Community Structure）：许多真实网络中，节点会自然形成紧密连接的群组（社区），社区内部连接紧密，社区之间连接稀疏。社区检测是图分析的核心任务之一。

小世界网络（Small-World Network）：具有高聚类系数和短平均路径长度的网络。"六度分隔"就是小世界现象的体现。

无标度网络（Scale-Free Network）：节点度数分布服从幂律分布，即少数节点拥有大量连接（hub节点），大多数节点连接很少。社交网络和互联网都属于无标度网络。

邻接矩阵（Adjacency Matrix）：用 N x N 矩阵表示 N 个节点的图，矩阵元素 A[i][j] 表示节点 i 和 j 之间是否有边。适合稠密图，支持快速查询，但空间复杂度为 O(N^2)。

邻接表（Adjacency List）：对每个节点维护一个邻居列表。适合稀疏图，空间效率高 O(N+E)，遍历邻居快，但查询特定边是否存在较慢。

图布局的核心任务是：为图中的每个节点确定二维平面上的位置坐标，使得图的结构信息（如社区、层次、中心节点等）能够直观地呈现。好的布局应当减少边交叉、均匀分布节点、突出重要结构。

力导向布局（Force-Directed Layout）是最经典、最常用的图布局算法。其核心思想源自物理学的弹簧模型：

系统从随机初始位置开始，通过迭代模拟物理系统达到力平衡状态，最终得到美观的布局。D3.js 的 d3.forceSimulation 就是力导向布局的典型实现。

另一种图布局思路是将图视为高维数据，利用降维方法（如 MDS）来确定节点位置。具体做法是：计算所有节点对之间的最短路径距离矩阵，然后用多维标度（MDS）将其嵌入二维空间，使得低维空间中的距离尽可能保持高维距离关系。

这种方法的优势是全局结构保持较好，但计算复杂度较高（O(N^2)），不适合大规模图。

邻接矩阵可视化将图的邻接矩阵直接展示为热力图，行和列分别代表节点，交叉点的颜色表示是否有边或边的权重。通过对行列进行重排序（Reordering），可以揭示社区结构和聚类模式。

与节点-链接图相比，邻接矩阵在展示稠密图时更有优势，因为不会出现边交叉的问题。但它不利于展示路径和全局连通性。

通用的图布局算法之外，针对特定类型的图数据，研究者设计了专用的布局算法，以更好地展示图的特定结构。

树布局（Tree Layout）：对于树形结构数据，将根节点放在顶部，子节点逐层向下排列。常见的有 Reingold-Tilford 算法，能产生紧凑美观的树形布局。

Sugiyama 算法：处理有向无环图（DAG）的层次布局，通过四个阶段完成：分层 -> 减少交叉 -> 分配坐标 -> 设置边路径。广泛用于流程图、调用图等可视化。

正交走线布局（Orthogonal Layout）将所有边限制为水平或垂直线段的组合。常用于电路图、UML图等需要规整外观的场景。其核心挑战是最小化弯折次数和面积占用。

边捆绑（Edge Bundling）将走向相似的边聚集在一起形成"束"，减少视觉杂乱。核心思想是：如果多条边的起点和终点在空间上相近，将它们的中间部分合并成共同路径。常用算法包括：分层边捆绑（HEB）、力导向边捆绑（FDEB）等。

近年来，研究者开始探索使用图神经网络（GNN）和深度学习来学习图布局。核心思路是：将人类认为"好"的布局作为训练数据，让模型学习从图结构到节点坐标的映射。这种方法的优势是速度快（推理时一次前向传播即可），但泛化能力和可解释性仍是挑战。