最初はツイッターのフォロワーで見ようとしたが、limitの扱いが面倒とそれに関わる時間で無し。で、競技用プログラミングで出題されるデータ形式を元にソーシャルグラフを可視化してみようと思う。

データは以下のような形とする。

user_id	follower_id
1	2
1	3
4	5
6	10
7	4

上はaizuの入力例を元に作成。Aizu Online Judge - パーティー

これに誰と誰がつながっているかが分かる様、それぞれにGroupのIDをつけていく。

上記の例だと、

user_id	follower_id	GoupID
1	2	1
1	3	1
4	5	2
6	10	3
7	4	2

こうなる。

最初の1と2は初期値を採番してGroup1とする
3は1と紐づいているのでこれもGroup1
4と5も新規ユーザーなのでGroup2を採番。6と10も同様
7は新規だが、4と紐付いているのでGroup2

ここにユーザー5は1と友達だったとする。そうすると下記の様になる。

user_id	follower_id	GoupID
1	2	1
1	3	1
4	5	1
6	10	3
7	4	1
5	1	1

5と1が友達だと分かったので、GroupID1にアップデート。
また、5の友達4も1になり、4の友達7も1という感じ。

このGroupIDを付与する実装は以下

import pandas as pd
import numpy as np
import random
from collections import Counter

def get_group_id():
    before = Counter(friends_dict.values())
    for row in df.itertuples():
        if row.user in friends_dict and row.follower in friends_dict:
            if friends_dict[row.user] != friends_dict[row.follower]:
                if friends_dict[row.user] <= friends_dict[row.follower]:
                    friends_dict[row.follower] = friends_dict[row.user]
                else:
                    friends_dict[row.user] = friends_dict[row.follower]

        if row.user not in friends_dict and row.follower in friends_dict:
            friends_dict[row.user] = friends_dict[row.follower]
        elif row.user in friends_dict and row.follower not in friends_dict:
            friends_dict[row.follower] = friends_dict[row.user]
        elif row.user not in friends_dict and row.follower not in friends_dict:
            friends_dict[row.user] = row.GroupID
            friends_dict[row.follower] = row.GroupID
    after = Counter(friends_dict.values())
    return before == after

if __name__ == "__main__":
    df = pd.DataFrame(np.random.randint(0,250000,size=(300000, 2)), 
                      columns=['user', 'follower'])

	df['GroupID'] = df.index + 1
	friends_dict = {}
	while True:
    	if get_group_id() == True:
        	break
    
    df['GroupID'] = df['user'].apply(lambda x: friends_dict[x])

もっと良いアルゴリズムがあるんだろうなーと思いつつ、取り敢えずはこれでGroupIDが付与された
誰が知ってたら教えて下さいm(_ _)m。

30,000レコードに30,000のランダム整数値を入れた結果は以下となりました

df['GroupID'].value_counts()[:10]

1        28786
738         13
1160        12
81          10
953          9
476          9
5362         8
1149         8
446          8
4256         8

96%のユーザーが何かした繋がっていることに。

可視化

では実際にそうなっているか見てみます。
先ほどのデータをソーシャルグラフとして可視化するのですが、cytoscapeという便利なツールを拝借します。

インストールはこちら

まず先ほどのデータをcsvとして出力

df.to_csv('Social_DataSample.csv', index=False)

開いたらこのボタンをクリックして、先ほどのcsvを指定。(文字コードはutf-8じゃないと読み込めなかった)

userをsource nodeに、followerをtarget nodeに設定しOKをクリック。
3万件ほどのデータだと結構時間がかかる

ズームすると、各固有IDが誰と紐付いているのかも見えてきます

styleタブのdefaultボタンを押せば、他のビジュアルにも変更可能。
自分はMarqueeが気に入ってます。これはベクトルも付いていて、先ほど選択したsource → targetの方向性が確認できます

他にもそれぞれのノードに色や形とか画像に変換できるので、クライアントにレポート出す時とかも良いビジュアルでいけそう。
他にもサンプルが入っているので、それを参考にするのも良いかも

おしまい

こういうソーシャルデータは可視化してしまうと、それぞれの関係性がすぐ分かったりして使い勝手が良い。
本来は遺伝子ネットワーク分析で使用されている様ですが、今回のようにユーザーやipのトラフィックであったり、金融商品の相関性をみるのにも使えそう。
時間と暇があれば、spotifyやtwitterでも試してみたい

参考

ネットワーク可視化プラットフォームCytoscapeの現状まとめ
 六次の隔たり
 パーコレーション