10.1 网络数据先想清楚：有多少节点、多少连线
网络（图）数据由两部分组成：节点（实体）+ 连线（关系）。画图前先看两个问题：
① 节点多不多？几十个以内 → 节点链接图；几百个 → 相邻矩阵/热力图；
② 连线密不密？线一多全糊住 → 用和弦图（圆形排布）或边绑定图（线成束）。
选图核心矛盾：节点图直观但怕拥挤，矩阵图不怕拥挤但不直观。节点少连线稀用节点链接图，反之用矩阵/和弦图。
10.2 相邻矩阵图：网络画成热力图
相邻矩阵把"谁和谁相连"写成矩阵：行=起点，列=终点，格子颜色=是否有连边/连边强度。
实现：ggplot2 的 geom_tile()（heatmap 样式）。
看什么：行列是否成块（有结构=节点按类别聚成社区）；哪一行"特别亮"=该节点连线多（中心节点/枢纽）。
优势：节点几百个也不乱；劣势：读不出直观的"网络形态"。
论文用法：微生物共现网络的"共现强度矩阵"——物种×物种的颜色矩阵，能看群落内哪些物种关系紧密。
.png)
10.3 和弦图：圆形排布的流/关系
和弦图把节点排在圆周上，节点之间的连线（弧带）表示关系，带宽=权重。
实现：circlize 包的 chordDiagram()。
看什么：弧带粗=关系强；哪些节点"出带多"（主动流出）/"入带多"（被指向）。
适合：两两之间的流量/转移关系（贸易流、物种互作、转移矩阵）；节点 10-40 个最佳。
论文用法：不同环境样本之间物种"共享/转移"关系、代谢物相关性网络。
.png)
library(circlize)
df_melt <- melt(df, id.vars = 'Region')
colnames(df_melt) <- c('from', 'to', 'value')
circos.clear()
circos.par(start.degree = 90, gap.degree = 4)
chordDiagram(df_melt) # from → to，带宽=value10.4 桑基图：流量怎么分叉汇合
桑基图展示"量从一组流向另一组"的路径：每根流带宽度=流量，流带的分叉/汇合=流向变化。
实现：ggalluvial 包（ggplot2 风格）或 networkD3 包（交互式）。
看什么：哪条路径流量最大；哪些阶段"分流"明显。
典型场景：样本分组→OTU 分类→物种分类的"流程"；能量/物质在各环节的转移。
注意：流带层次多时标注会挤，用颜色区分大类、交互式悬停看数值最舒服。
.png)
10.5 网络节点链接图：最经典的网络画法
节点链接图 = 点 + 线：节点位置由布局算法决定（FR 力导向布局最常用，还有 sphere 球形、nicely 等），连线=关系。
实现：igraph 包算布局 + ggraph 包画图。
看什么：节点大小/颜色可映射度（连线数）或类别；中心枢纽节点一眼可见；社区（抱团的节点群）通过布局自然呈现。
力导向布局的原理：有连线的节点互相吸引，没连线的互相排斥，迭代到稳定——所以"关系近的靠在一起"。
论文用法：微生物共现网络（节点=OTU，边=显著相关）、基因互作网络。
library(igraph); library(ggraph) net <- graph_from_data_frame(edges, vertices = vertices) ggraph(net, layout = 'fr') + # FR 力导向布局 geom_node_point(aes(size = degree(net), color = group)) + geom_edge_link(alpha = 0.3)
10.6 蜂巢网络图与边绑定图：连线太多时的救兵
节点多、连线密时普通网络图是"毛线团"，两个替代方案：
① 蜂巢图（Hive plot）：按节点属性（如度数）把节点排到几条径向轴上，连线画在轴间——结构规律比毛线团清楚得多；
② 边绑定图（edge bundling）：把走向相似的线绑成一束，像线缆一样——"谁到谁"仍可辨，但画面干净。
适合：网络研究的专业展示；普通论文里节点 < 100 时经典节点图就够了。
