1、引言
在上一篇文章中，我和大家简单介绍了复杂网络的概念以及一些简单的数学描述方式，复杂网络是由节点和连边构成的系统，利用邻接矩阵来是描述网络最为恰当和简便的方式。
既然涉及到了矩阵的运算，自然离不开计算机的帮忙，作为一款科学计算软件，对矩阵的表达、运算、可视化等各方面的支持都做的极其到位。除了这一点以外，从实际的研究过程中，我发现由于网络结构的复杂性，很多时候也要求研究工作者在专业软件的辅助下对其进行研究。接下来通过两个数据集，来向大家演示一下如何运用
操纵网络数据。如果各位有数据或者代码的需求可以在下方给我留言。
2、网络数据分析（一）
第一个网络数据集的名称为G_test.mat，这是一个人工构建的随机网络结构（指网络中的连边都是随机连接的），它的规模是，连边数量
，为一个无向的网络结构。我们先将其导入
中，验证一下是否符合上述的数据描述：
clc,clear
% 导入数据
load("G_test.mat")
% 当前网络的规模
N = size(G,1);
% 判断网络是否为有向的网络
nk = find((G==G')~=1);
if isempty(nk)
disp(" 网络G是一个无向网络（连边无方向）")
else
disp(" 网络G是一个有向网络（连边有方向）")
end
% 网络的连边数量
L = sum(sum(G))/2;
程序片段nk = find((G==G')~=1);的意思是判断当前的矩阵是否为对称矩阵，如果是对称矩阵，G==G'的运行结果应该全是1，否则就会出现0。
最后一行的L=sum(sum(G))/2是利用邻接矩阵计算网络的连边数量，sum(sum(G))将矩阵G的所有元素求和，之所以要除以2是因为每条连边在求和时会被计算2次的原因。
上述程序运行结果为：
;
网络G是一个无向网络（连边无方向）;
;
矩阵的部分元素如下：
为了能够更好的看到网络的整体情形，我们对网络结构进行可视化：
%% 邻接矩阵可视化
% 可视化当前的矩阵图像
figure
subplot(1,3,1)
imagesc(1:N,1:N,G)
colorbar
set(gca,"FontSize",20)
% axis equal
subplot(1,3,2)
imagesc(1:N,1:N,tril(G))
colorbar
set(gca,"FontSize",20)
subplot(1,3,3)
imagesc(1:N,1:N,triu(G))
colorbar
set(gca,"FontSize",20)
函数subplot用于绘制子图，(1,3,1),(1,3,2),(1,3,3)等标签用于确定画布的位置，前面的共同数字1和3表示绘制1行3列的图像，后面的数字是子图的序号。imagesc函数是MATLAB用于可视化矩阵的函数之一，除此以外还有heatmap热图等函数，但是我个人认为可视化效果不如imagesc，调整起来也颇费时；colorbar会在图像右侧生成颜色条，不同颜色对应不同的值，在这里矩阵只有两个可能的数值，分别是0和1。
运行上述程序得到图像：
接下来我们期望考察一下网路节点的度。前面说过，无向网络的度就是矩阵沿着行或者列求和，即：
% 网络中节点的度
degree = sum(G,1);
% 网络的平均度
k_mean = mean(degree);
网络节点的平均度的计算公式是。
我们用MATLAB内置的bar函数来看一下不同节点的度值：
%% 节点度的直方图
figure
bar(degree)
set(gca,"FontSize",20)
ylim([0,50])
xlabel("node i ")
ylabel("ki")
代码中的gca表示的是当前的图像，set(gca,......)是设置当前画布上图像的属性。对应生成的图像为：
可见不同节点的度还算均匀（运用Monte-Carlo法作平均会更加光滑）。这也是随机网络的一大特性。
通过上述的这个例子，我们初步上手并研究了一个网络的基本特性，在可视化函数imagesc的帮助下，我们得以直观地考察网络整体的情形。
接下来我们将再举一个例子供各位参考，不同的是这次的数据集不再是人工构建的网络结构，而是来自真实的生物神经元网络建模，且网络从双向的变为单向的网络，情况也略微复杂一些。
