Red de co-ocurrencia de keywords

La red de co-ocurrencia conecta dos keywords cuando aparecen juntas en el mismo artículo. El peso de la arista refleja cuántas veces ocurre esa co-aparición. Los nodos más grandes son las keywords más frecuentes; los colores indican la comunidad temática a la que pertenecen.

Construcción del grafo

from co_occurrence.io.loader import load_wos_data
from co_occurrence.config import DATA_FILE
from co_occurrence.graphs.cooccurrence import build_cooccurrence_graph
from co_occurrence.analysis.communities import detect_louvain

import networkx as nx

df = load_wos_data(DATA_FILE)

G = build_cooccurrence_graph(
    df,
    column="Author Keywords",
    min_weight=1,
    min_frequency=2,
)

partition = detect_louvain(G)

print(f"Nodos  : {G.number_of_nodes()}")
print(f"Aristas: {G.number_of_edges()}")
print(f"Densidad      : {nx.density(G):.4f}")
print(f"Componentes   : {nx.number_connected_components(G)}")
print(f"Comunidades   : {len(set(partition.values()))}")

Nodos  : 124
Aristas: 365
Densidad      : 0.0479
Componentes   : 1
Comunidades   : 7

Estadísticas de red

import pandas as pd

degrees = dict(G.degree())
deg_series = pd.Series(degrees)

print(f"Grado promedio     : {deg_series.mean():.2f}")
print(f"Grado máximo       : {deg_series.max()} ({deg_series.idxmax()})")
print(f"Grado mediano      : {deg_series.median():.1f}")

# Largest connected component diameter (approximate)
lcc = G.subgraph(max(nx.connected_components(G), key=len)).copy()
print(f"Nodos en componente principal: {lcc.number_of_nodes()}")
# Diameter can be slow for large graphs; use a sample
if lcc.number_of_nodes() < 200:
    diam = nx.diameter(lcc)
    print(f"Diámetro del componente principal: {diam}")
else:
    print("Diámetro: grafo demasiado grande para cálculo exacto (usar aproximación)")

Grado promedio     : 5.89
Grado máximo       : 53 (tourism)
Grado mediano      : 4.0
Nodos en componente principal: 124
Diámetro del componente principal: 6

Grafo interactivo (Plotly)

Las coordenadas provienen de la proyección UMAP calculada sobre la matriz de co-ocurrencia. Cada punto es una keyword; el color indica la comunidad Louvain.

import pandas as pd
from pathlib import Path
from co_occurrence.viz.plotly_graphs import plot_network
from co_occurrence.analysis.communities import label_communities

OUTPUT = Path("../output")

coords = pd.read_csv(OUTPUT / "dimred_umap.csv")
# coords must have columns: keyword, x, y
if "keyword" not in coords.columns and coords.columns[0] != "keyword":
    coords = coords.rename(columns={coords.columns[0]: "keyword"})

comm_df = label_communities(G, partition, top_n=3)
community_labels = dict(zip(comm_df["community"], comm_df["name"]))

fig = plot_network(
    G,
    coords=coords,
    partition=partition,
    community_labels=community_labels,
    title="Red de co-ocurrencia de keywords en turismo multivariado",
    min_degree_label=5,
    height=720,
)
fig.show()

Red de co-ocurrencia de keywords — coordenadas UMAP, colores por comunidad Louvain

Grafo interactivo (PyVis)

La versión PyVis permite arrastrar nodos y explorar la red de forma más libre.

from pathlib import Path
import shutil
from co_occurrence.viz.pyvis_net import export_pyvis

# Generar en el directorio actual (junto al .qmd) para que Quarto lo copie al _site/
pyvis_path = Path("coocurrence_pyvis.html")
export_pyvis(G, output_path=pyvis_path, partition=partition, height="640px")

# También guardar en output/ para uso fuera de Quarto
output_copy = Path("../output") / "coocurrence_pyvis.html"
output_copy.parent.mkdir(parents=True, exist_ok=True)
shutil.copy2(pyvis_path, output_copy)
print(f"PyVis generado: {pyvis_path.resolve()}")

coocurrence_pyvis.html
PyVis generado: C:\Users\Eduardo\OneDrive - analitika.fr\Documentos\PROYECTOS\ANALITIKA\DEV\GRAFOS\quarto\coocurrence_pyvis.html

Tip

En el grafo PyVis puedes hacer zoom con la rueda del ratón, arrastrar nodos y hacer clic en ellos para ver sus conexiones. Los colores corresponden a las comunidades Louvain.