Reducción dimensional

La reducción dimensional permite visualizar la estructura del espacio de keywords en 2D. Cada método revela distintos aspectos: MDS preserva distancias globales, t-SNE muestra agrupamientos locales, UMAP equilibra ambos, y el Análisis de Correspondencias (CA) relaciona keywords con otras variables (como revistas o países).

import ast
import pandas as pd
from pathlib import Path

OUTPUT = Path("../output")

# Leer comunidades desde CSV (fuente de verdad) y crear partition con etiquetas
comm_df = pd.read_csv(OUTPUT / "communities_labeled.csv")

# Etiqueta corta: solo la keyword principal (la más frecuente)
label_map = {row["community"]: row["label"].split(" / ")[0] for _, row in comm_df.iterrows()}

# partition: keyword → etiqueta corta de comunidad
partition = {}
for _, row in comm_df.iterrows():
    kws = ast.literal_eval(row["keywords"]) if isinstance(row["keywords"], str) else []
    for kw in kws:
        partition[kw] = label_map[row["community"]]

print("Partición con etiquetas lista para visualización.")

Partición con etiquetas lista para visualización.

Comparación de métodos

UMAP

UMAP (Uniform Manifold Approximation and Projection) preserva tanto la estructura local como la global del espacio de keywords. Es el método recomendado para layout de grafos bibliométricos porque produce agrupamientos visualmente interpretables.

from co_occurrence.viz.plotly_scatter import plot_manifold_scatter

coords_umap = pd.read_csv(OUTPUT / "dimred_umap.csv")

fig_umap = plot_manifold_scatter(
    coords_umap,
    partition=partition,
    method="UMAP",
    height=640,
)
fig_umap.show()

Proyección UMAP — colores por comunidad Louvain

MDS

El Escalado Multidimensional (MDS) minimiza la diferencia entre las distancias en el espacio original y las distancias en 2D. Los keywords que co-ocurren mucho aparecen juntos; los que nunca co-ocurren quedan alejados.

coords_mds = pd.read_csv(OUTPUT / "dimred_mds.csv")

fig_mds = plot_manifold_scatter(
    coords_mds,
    partition=partition,
    method="MDS",
    height=640,
)
fig_mds.show()

Proyección MDS — colores por comunidad Louvain

t-SNE

t-SNE (t-distributed Stochastic Neighbor Embedding) es excelente para revelar agrupamientos locales. La distancia global entre clusters NO es interpretable directamente, pero la cohesión interna de cada grupo sí lo es.

coords_tsne = pd.read_csv(OUTPUT / "dimred_tsne.csv")

fig_tsne = plot_manifold_scatter(
    coords_tsne,
    partition=partition,
    method="t-SNE",
    height=640,
)
fig_tsne.show()

Proyección t-SNE — colores por comunidad Louvain

Análisis de Correspondencias

El Análisis de Correspondencias (CA) es un método de reducción para datos de frecuencia (tablas de contingencia). El biplot muestra simultáneamente las keywords (filas) y las revistas u otras variables (columnas), permitiendo identificar asociaciones entre ellas.

from co_occurrence.viz.plotly_scatter import plot_ca_biplot

try:
    row_coords = pd.read_csv(OUTPUT / "ca_row_coords.csv", index_col=0)
    col_coords = pd.read_csv(OUTPUT / "ca_col_coords.csv", index_col=0)

    fig_ca = plot_ca_biplot(
        row_coords=row_coords,
        col_coords=col_coords,
        title="Análisis de Correspondencias — keywords del corpus turístico",
        height=680,
    )
    fig_ca.show()
except Exception as e:
    print(f"Error al cargar coordenadas CA: {e}")
    print("Verifica que output/ca_row_coords.csv y output/ca_col_coords.csv existen.")

Biplot de Análisis de Correspondencias — keywords y variables contextuales

Comparación de métodos

Método	Preserva distancias globales	Preserva agrupamientos locales	Interpretación de distancias	Uso recomendado
MDS	Sí	Parcial	Sí	Layout general, presentaciones
t-SNE	No	Sí	No	Exploración de clusters
UMAP	Parcial	Sí	Parcial	Layout de grafos, publicaciones
CA	N/A	N/A	Sí (entre filas y columnas)	Relación keyword-revista

Note

Todos los métodos usan como entrada la matriz de co-ocurrencia normalizada (Association Strength) entre las keywords del corpus. Las coordenadas se precalculan en el pipeline y se guardan en output/dimred_*.csv.