1. 公司职员关系图表
节点和边界数据
节点是指每个节点本身的数据，代表公司职工的名称；属性（Country）、分类（Category）和地区（Region，给每个节点定义的属性数据）。文件必须是.csv的格式。
连接线数据，不同的两个点之间的关系，权重（可以用各种方式做一个度量）。节点的数据结构可以是以点的形式，一个行数据是一个节点它有它的属性；边线的数据它每一行是两个点之间的关系。
节点数据名第一个字段必须是Id（第一个必须大写，第二个字母d小写），后边的字段Country、Category、Region、Level是可以变的（它们是点的属性）；
边线的字段名必须target和source，并且内容是一一对应的（就是target和source所对应的点必须在node文件里边必须是能够对应的上的，否则无法识别） 一个edge代表了点与点间的关系，而node代表每个点的属性，它肯定要有个标签去对应，这个标签就是它的Id名称，
第一步：导入数据，node和edge
节点---node； 边---edge。
第二步：按照不同的国家做一个颜色的界定
第三步：设置下
节点有多大，里边的字体就有多大。
还是密密麻麻的，节点按照某种关系做一个输出，连出度越大，这个点本身越大。
连出度代表我这个人跟多少人是有关系的；
度就是我这个点跟其他点的连接关系；连出度是往外连接的，连入度是从外边往里边连接的。整个度是两个的求和。
第四步：参数
网络直径是点与点之间的最小距离
Betweenness Centrality：网络中任意两个点之间的最短路径，如果这个最短 路径都经过某个节点，那么这个节点的最短基数越高。
Closeness centrality
Eccentricity
Harmonic closeness centrality
把布局再调整下： ForceAtlas2 收缩 扩展
Betweenness Centrality中层领导（连接高层领导又连接下层的一个角色）；
Closeness centrality： 所有跟我有连接的平均值是最短的；在公司中他跟谁都近，但连入度不一定是最高的
这个不是特别明显，大家的值的区别都不是很大，大小都是差不多大。
2. 案例：导演演员关系网络可视化
如何做一个筛选和数据清洗？通过可视化的方式直接清洗它
主要用到过滤和统计的模块
第一步：
加载数据---->> 数据太多，需要进行筛选和处理，筛选之后，统计计算只会计算筛选下来的内容；
第二步：
进行过滤
数据清洗
清洗的逻辑有：巨人组件参数和K核心
巨人组件是会保留一个组团中连接最多的那些节点，由于本身又一些连接关系，但是会有一些点没有联系（相当于没有那个参数），由于重力的关系会实现一个簇。巨人组件就会自动的删除周边这些点。
把相互之间的点的度看成它的一个均值，每一个点都有一个度，K核心可以按照这个度做一个筛选，比如K（核心）=0，基本上不会做任何的筛选，度非常小的接线还会保留。
K=4的时候它就会把那些小的接线给去掉了。
通过这两个方法不断去优化这些数据点的个数。节点数尽 量在1000个左右，还可以通过相互度的范围做下一步的筛选。
1000个节点（经验数值）以下的好做运算。
第三步：
再通过模块化对整个数据做一个聚类，得到里边的模块。最后这个模块就会呈现出我们想要的效果。
在这一步我们需要不断的去调整参数，去做这个设置，解析度越大，簇的社区越少。
布局 用扩展和ForceAtlas2来进行调节。
哪些点是属于黏度比较高的？算下网络的直径，
预览
度范围的操作结果如下：
