原文链接:https://tbgraph.wordpress.com/2017/10/28/neo4j-marvel-social-graph-analysis/
译者言：原文篇副较长，为了方便阅读，这里将原文拆成上下两篇。上篇主要介绍了桶算法，三角形计数几个分析方法，下篇主要介绍聚类系数，连通分量，加权连通分量几种分析方法，总体而言还都是比较基础的分析方法。本文是上篇
本文是漫威社交网络分析序列的第二篇，上一篇文章中，我们已经将Kaggle竞赛的帖子中漫威的数据导入到Neo4j中，同时演示了如何从二分图映射到单分图。我们也使用了一个简单的模型，将任何两位英雄一起出现在漫画的次数记录下来。
译者言：“两位英雄一起出现在漫画的次数”指在一本漫画中，有两位英雄出现了，则计为1次，如在两本漫画中都出现，则为2次。
为了便于理解，我们使用下面的函数来表示：
由
(:Hero)←(:Comic)→(:Hero)到
(:Hero)←[:KNOWS{weight=一起出现在漫画中的次数}]→(:Hero)同时，也可以映射到下面这种单分图
(:Comic)←[{weight=同时出现英雄的个数}]→(:Comic)好，先这些，导入图数据后，我们可以进行接下来的分析了。
基本要求
Neo4j(https://neo4j.com/download/)
Neo4j官方图算法库(https://github.com/neo4j-contrib/neo4j-graph-algorithms/)
Apoc插件(https://github.com/neo4j-contrib/neo4j-apoc-procedures/releases)
图模型
我们已经有一个简单图模型，接下来从Hero和Comics的二分图网络（两种结点类型）开始，根据两个英雄出现在同一个漫画中的次数推导出一个单分图（只有一种结点类型）。
开始分析
下面我们将在之前推导出来的单分图上进行一些分析。关于数据分析，我通常的习惯是先进行一些全局性的统计，对图有一个大概的感性的认识，然后再深入研究细节。
权重分布
我们先来看一下具有相似权重的英雄分布情况。权重值指两英雄在相同漫画中一块出现的总次数。
MATCH ()-[k:KNOWS]->()
RETURN (k.weight / 10) * 10 as weight,count(*) as count
ORDER BY count DESC LIMIT 20第一眼看到这个查询语句，发现 (k.weight / 10) * 10 这样的子句出现，一定会认为这是非常傻的语句。但是如果你了解Neo4j的计算规则（两个整数相除得到仍是整数），就会明白，我们这种写法，是为了完成一个“桶”函数的功能，即把权重都分配到10倍数的桶里。这样就很容易理解下面的结果了。
从结果中可以看出，在漫威英雄网络中，在171644个关系中，有162489个关系（点总关系数据的94%）的权重是在10以下，也就是说，大部分英雄之间只有一面之缘。
权重最大值是724,出现在“THING/BENJAMIN J. GR”(石头人)和“HUMAN TORCH/JOHNNY S”(霹雳火)，这俩真是一对好基友。
译者言：石头人和霹雳火是神奇四侠中的英雄。实际上权重排名的前三都是神奇四侠的人。
尽管在漫威英雄的社交网络中，大家都是彼此认识的，但是通过权重可以看出，大部分都是很弱的联系。我大胆做两个假设:
大部分漫画都有自己的英雄团队，但团队全体成员并不会在漫画的每一集都会有出现。
偶尔会有几集漫画，不同英雄团队的英雄会一起出现，因此会出现一些弱关系。
为了验证我的假设，我先使用下面的查询语句试试。
MATCH (u:Comic)
RETURN avg(apoc.node.degree(u,'APPEARED_IN')) as average_heroes,
stdev(apoc.node.degree(u,'APPEARED_IN')) as stdev_heroes,
max(apoc.node.degree(u,'APPEARED_IN')) as max_heroes,
min(apoc.node.degree(u,'APPEARED_IN')) as min_heroes
上面显示的是一些平均指标，而我个人更喜欢看分布情况，就像我之前所使用的“桶”函数那样:
MATCH (u:Comic)
RETURN (size((u)-[:APPEARED_IN]-()) / 10) * 10 as heroCount,
count(*) as times
ORDER BY times DESC limit 20
看起来我的假设好像还成，8999（71%）个英雄在漫画中出现的次数少于10次，加上前面平均每集7.5个英雄的推断，可以知道，大部漫画中可能只出现5个英雄或更少。有些漫画会有“家族聚会”的情况，这时会有超过30个英雄出现。有一集漫画叫COCI，就有110个英雄出现，应该是《超级英雄大会》那期。
权重规一化
我们可以使用max或min方法将权重值进行规一化处理。注意这次我们使用的 (toFloat(k1.weight) - min) / (max - min) ，先将将k1.weight转换成浮点型，这样浮点型除以整形，得到的仍是浮点型。也就不会分组到之前的桶里了。
MATCH (:Hero)-[k:KNOWS]->(:Hero)
//get the the max and min value
WITH max(k.weight) as max,min(k.weight) as min
MATCH (:Hero)-[k1:KNOWS]->(:Hero)
//normalize
SET k1.weight_minmax = (toFloat(k1.weight) - min) / (max - min)译者言：上面的语句为每个KNOWS关系都增加了一个规一化的权重属性weight_minmax
上面可以看出来，这些分析还是非常简单的，原文作者写的非常棒，从简入手，让我们看起来比较好理解，稍后下篇时，会慢慢的增加更多的知识点。