本文目录一览

• ⒈数据分析知识图谱|SPSS分析方法分类整理
• ⒉“COOC"一款用于文献计量和知识图谱绘制的软件
• ⒊ArcGIS创建知识图谱实践

⒈数据分析知识图谱|SPSS分析方法分类整理在数据分析的海洋中，SPSSAU知识图谱就像一个导航信号，清晰地照亮了各种分析方法的路径。 让我们一起探索这些关键工具，以更好地理解和应用它们在现实场景中的不同作用：

基本统计调查

–频率和描述性分析：SPSSAU提供帮助我们了解分类数据的分布特征（频率分析）并显示定量数据的集中趋势（描述性分析）。 分类和聚合用于进行跨领域研究，以揭示数据之间的深层联系。

信效度评估

-Cronbach'sα、半半信度和重测信度保证了测量工具的信度、内容效度、结构效度、判别效度和收敛效度证实了理论模型的适用性。

差异和相关性检验

–方差分析（单因素、双因素等），适用于多组定量数据（单组）。 样本、独立样本等）处理分类变量和定量变量；卡方检验可深入了解分类变量之间的相关性，包括配对卡方变量、拟合优度等。

非正态数据处理

–非参数检验，如单样本Wilcoxon、Mann-Whitney等，用于非正态数据的相关性研究，以确保准确性。

回归分析

–线性回归、逐步回归、岭回归等目标定量Y值。 逻辑回归为分类Y值而设计。 涵盖二分类、有序和多分类。

选择题分析

–选择题研究包括单选多选、多选单选和多选-多选分析方法，揭示复杂的问题选择模式。

聚类和简化

-K-Means、K-Modes和其他聚类方法有助于对数据进行分组；使用平均值或中位数进行数据简化，以提高理解效率。

模型评估及一致性

-Kappa检验，ICC和AHP、熵法等KendallW评估方法的一致性计算，用于模型权重分配。

数据分布和预处理

–检查数据方差的正态性、随机性和同质性，使用卡方拟合优度对于分类数据，泊松分布适用于某些场景。

机器学习简介

-SPSSAU提供决策树、随机森林等基本机器学习方法，支持数据预处理和模型训练。

可视化展示

–散点图、箱线图等图表直观地呈现数据分析结果，并使用ROC曲线等图表类型清晰展示模型性能。
通过透彻理解SPSSAU并掌握这些工具，您可以在数据分析之旅中更加得心应手，无论是探索性分析还是建模。 如果您遇到特定问题，请记得查阅SPSSAU帮助手册以获取详细说明。

⒉“COOC"一款用于文献计量和知识图谱绘制的软件

揭示COOC：一种用于文献计量学和知识图谱的一体化工具

COOC是专门为学术研究人员创建的软件。 其强大的功能犹如璀璨的星星，满足您各方面的文档分析需求。 首先我们来深入了解一下它的主要功能：

独特的集成性：COOC可以无缝提取CNKI、万方、维普、CSSCI、SinoMed、WebofScience、Pubmed、EI、Scopus、ScienceDirect等权威文献数据库为您的研究提供丰富的资源。
去重清洗专家：针对中文数据库（CNKI、万方、维普），COOC具有与关键词、作者相关的深度清洗功能，确保数据准确。 WebofScience的数据清理同样高效。
定制清洗：针对特殊需求，COOC允许用户定制全面的重复数据删除，精准控制数据质量。
词云与可视化：从关键词、机构到作者，COOC提供柱状图、树形图、词云图等多维度图表。 帮助您快速获取有关文档特征的详细信息。 查看同比变化趋势，例如同比条形图、雷达图等，直观呈现动态变化。
中英同现及相似性分析：COOC通过中英同现矩阵、大小写转换、相异矩阵、余弦相似矩阵等简化了不同语言之间的搜索。

通过深入分析文献关系，COOC还支邻接表、有向/无向网络等矩阵变换，以及构建混淆矩阵图和网络图协作来揭示复杂的学术网络。 结构。

方便且可定制：无论是期刊查询、生成引文格式，还是确定顶级作者和高频词，COOC都考虑到了。 对于数据格式转换，它可以与Vosviewer和CiteSpace无缝连接，使数据迁移变得轻而易举。

匠心在于细节。 COOC非常重视用户体验，字体大小调整、字体选择功能和自定义节点布局，确保图表在文档上完美呈现。 此外，它还支持WOS、Scopus和CSSCI数据库的清理并维护引文信息。 Embase数据库提取功能更是锦上添花。

通过COOC与市面上其他软件的比较，你会发现它在文献计量分析路径和绘图功能上是独一无二的。 如果您想体验COOC的卓越性能，长按下方二维码，系统学习之旅即刻开始。

有了COOC的帮助，您的学术研究之旅将会更加顺利，您的数据分析将会更加专业。 无论是文献综述、趋势分析还是社交，COOC都是您不可或缺的得力合作伙伴。

⒊ArcGIS创建知识图谱实践

承接上一篇文章，本文以蒙版为例，介绍如何在Pro中创建和使用知识图谱功能。
这里我们把人群分为：确诊病例、密切接触者
这里的联系可以理解为疫情的传播途径：家庭、交通、时空陪伴等。
对于这里使用的所有数据都是您自己创建的随机假数据。

右键单击以在“内容”或“目录”窗口中将其打开。 然后，您可以查看新的实体和关系类型窗口，如下所示。

我们创建的实体和关系类型显示在此处

在“新建”按钮中选择新的实体类型

关系类型可以用同样的方式创建，这里的关系由两个实体之间的各种联系组成。

以掩码为例，我们可以添加确认的位置等数据人员地图字段。 右键单击该实体并将其添加到地图中。

然后您可以在地图区域中编辑一些空间数据，如下所示。

编辑实体和关系类型后，您需要在此处配置实体之间的直接关系。 在实体部分有“关系类型”，您可以在其中添加关系。 这里需要选择关系类型、关系引用、实体类型和具体实体（这里要特别注意，这是搜索输入字段而不是下拉列表框，只能通过键入来选择实体名称）。 ）。 如下。

获得上述数据后，可以创建连接图来展示知识图谱。

还可以进行其他配置内容。

您可以将知识图谱数据添加到地图中，并添加垂直选项卡以确保有两个窗口：地图和图表。

然后启用动态按钮来链接地图和图表。 选择地图上的节点图可以直接找到。

通过知识图谱，您不仅可以可视化地图和图表，还可以进行分析。 如果您有兴趣，请仔细查看帮助文档。
https://pro.arcgis.com/zh-cn/pro-app/latest/help/data/knowledge/compute-centrality-scores-to-measure-the-importance-of-link-chart-Entity.htm

知识图谱功能刚刚发布，感觉对中文内容的支持有限。 所有实体和关系都只能是ASCII，有点繁琐，导致最终显示效果平平。 操作的可用性也较差。 由于当前数据驱动的操作模式，可能无法找到它们。 最后如果再和后来的公司以及API结合起来就更加完美了。 从零开始，从失速到飞翔，需要一个过程，让我们花点时间来观看吧！！！