社会网络分析入门：从佛罗伦萨家族数据看网络中心性与结构洞

1. 项目概述：一份被忽视的社会网络研究宝藏

如果你对社会网络分析、文艺复兴历史，或者仅仅是数据如何讲述一个跨越数百年的家族故事感兴趣，那么“Padgett的佛罗伦萨家庭数据集”绝对是一个值得你花时间深入了解的经典案例。我第一次接触这个数据集是在研究生时期的一门社会网络分析课上，当时就被它简洁结构下蕴含的丰富历史与社会学信息所震撼。这不仅仅是一堆冷冰冰的“0”和“1”，它是一张15世纪佛罗伦萨精英社会的“社交地图”，精准地刻画了美第奇、斯特罗齐、帕齐等显赫家族之间通过婚姻与商业建立起的联盟与对抗网络。

简单来说，这个数据集记录了文艺复兴时期佛罗伦萨最具影响力的16个家族之间，在两种关键关系上的交织情况：商业合伙（共同投资、金融业务往来）与婚姻联姻。它的核心价值在于，它提供了一个近乎完美的、可量化的历史切片，让我们能够运用现代的社会网络分析工具，去验证关于权力、联盟与社会结构的历史学假设。比如，著名的美第奇家族是如何从众多家族中脱颖而出，最终掌握佛罗伦萨政权的？他们的崛起是偶然还是其网络位置的必然？这个数据集就是回答这些问题的钥匙。无论你是社会学、历史学的学生，还是数据科学、网络科学的爱好者，甚至是对文艺复兴历史感兴趣的普通人，都能从这个数据集中获得启发。接下来，我将带你彻底拆解这个数据集，从数据获取、结构解析、到实际的分析案例与代码实操，完整复现一次基于它的社会网络探索之旅。

2. 数据集深度解析：结构、来源与背后的故事

2.1 数据来源与历史背景

这个数据集并非现代人的杜撰，其根源可以追溯到历史学家约翰·帕吉特（John F. Padgett）对文艺复兴时期佛罗伦萨的深入研究。帕吉特教授通过梳理大量的历史档案、商业合同、税单记录和家族编年史，系统地重建了1427年至1434年间佛罗伦萨上层家族的社会经济关系网络。这个时期正是美第奇家族崛起的关键节点，科西莫·德·美第奇于1434年结束流放，重返佛罗伦萨并建立起实质性的僭主统治。

数据集中的16个家族并非随意选择，它们都是在当时佛罗伦萨的政治、经济生活中扮演核心角色的“豪门望族”。除了广为人知的美第奇家族，还包括了斯特罗齐（商业与金融巨头）、帕齐（后因“帕齐阴谋”而闻名）、巴迪（古老的银行业家族）等。理解这一点至关重要：我们分析的不是整个佛罗伦萨社会，而是其顶层的、相互通婚与合作的精英圈子。这个网络的边界是清晰的，这为我们进行封闭网络的定量分析提供了理想条件。

注意：在使用任何历史数据集时，都必须意识到其“选择性偏差”。这个数据集捕捉的是精英阶层的关系，普通市民、手工业者之间的关系并未包含在内。因此，基于此得出的结论主要适用于解释精英内部的政治动力学，而非整个佛罗伦萨的社会结构。

2.2 数据结构与两种关系网络

数据集通常以矩阵形式呈现，这是社会网络分析中最基础也最直观的数据格式。我们主要面对两个16x16的对称矩阵（因为关系通常被认为是双向的，至少在研究意义上）。

1. 商业关系矩阵矩阵中的元素business[i][j]表示家族i与家族j之间是否存在商业合伙关系。通常，1表示存在关系（如共同拥有银行、合伙经营国际贸易），0表示不存在。需要理解的是，这里的“商业关系”是高度紧密的资本合作，而非简单的买卖交易。它意味着风险共担、利润共享和深度的信任。

2. 婚姻关系矩阵矩阵中的元素marriage[i][j]表示家族i与家族j之间是否存在婚姻联姻。同样以1和0表示。在文艺复兴时期的意大利，婚姻首先是政治与经济的结盟工具，爱情往往是次要考量。一次联姻可能意味着巨额嫁妆的转移、商业渠道的共享或政治支持的承诺。

这两个矩阵是相互关联但又独立的。一个家族可能与另一个家族既有商业合作又有婚姻关系（关系叠加，绑定最深），也可能只有其中一种。这种区分让我们能够分析不同类型的社会资本如何运作。例如，美第奇家族可能更擅长利用婚姻关系来巩固脆弱的商业联盟。

数据获取实操： 这个数据集是网络科学领域的经典教学数据，被内置在许多分析库和平台中。最方便的获取方式是通过networkx库（Python）或相关R包。

import networkx as nx # 方法一：直接从networkx的经典数据集中加载（如果可用） # 注意：不同版本networkx的包含数据集可能不同，这是一种可能的方式 try: # 尝试从内置数据集中获取 G_business = nx.florentine_families_graph() # 注意：networkx中这个图通常合并或默认指代一种关系 # 更常见的做法是加载矩阵数据 except: pass # 方法二：更可控的方式——直接定义矩阵（这是最可靠的方法） families = ['Acciaiuoli', 'Albizzi', 'Barbadori', 'Bischeri', 'Castellani', 'Ginori', 'Guadagni', 'Lamberteschi', 'Medici', 'Pazzi', 'Peruzzi', 'Pucci', 'Ridolfi', 'Salviati', 'Strozzi', 'Tornabuoni'] # 商业关系矩阵 (示例，需根据真实数据填充) business_matrix = [ [0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0], # Acciaiuoli [1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0], # Albizzi # ... 此处省略其他14行，实际分析中需补全完整矩阵 ] # 婚姻关系矩阵 (示例) marriage_matrix = [ [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], # Acciaiuoli [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0], # Albizzi # ... 同上 ] # 根据矩阵创建网络图 G_business = nx.Graph() G_marriage = nx.Graph() for i in range(len(families)): G_business.add_node(families[i]) G_marriage.add_node(families[i]) for i in range(len(families)): for j in range(i+1, len(families)): # 只遍历上三角矩阵，避免重复 if business_matrix[i][j] == 1: G_business.add_edge(families[i], families[j]) if marriage_matrix[i][j] == 1: G_marriage.add_edge(families[i], families[j])

在实际操作中，你需要找到完整的矩阵数据。许多大学的社会学系或网络科学课程网站会提供这个数据集的CSV或TXT文件。一个可靠的来源是UC Irvine网络数据仓库或相关学术论文的补充材料。

3. 核心分析思路：从数据到历史洞察

面对这样一份数据，我们绝不能仅仅满足于画出网络图。分析的目的是通过量化指标，揭示历史叙事背后的结构性原因。我的分析思路通常遵循以下三个层次，由浅入深。

3.1 第一层：描述性网络统计——谁是最“核心”的家族？

这是分析的起点，目的是用客观指标为每个家族“画像”。我们主要计算以下几个关键指标：

1. 度中心性：一个家族与其他家族直接相连的边的数量。在商业网络中，高度数意味着广泛的商业合作；在婚姻网络中，则意味着广泛的姻亲联盟。这是最直观的“活跃度”或“受欢迎度”指标。
2. 中介中心性：衡量一个家族作为“桥梁”或“中介”的能力。具体来说，它计算网络中所有最短路径中，经过该家族的比例。高中介中心性的家族控制着信息流、资源流，能在不相连的群体间进行调解或垄断。
3. 接近中心性：反映一个家族到网络中所有其他家族的“距离”之和的倒数。高接近中心性意味着该家族能快速接触到网络中的任何其他成员，不易被边缘化。
4. 特征向量中心性：不仅考虑连接数量，还考虑连接对象的质量。一个家族如果连接到很多本身就很中心的家族，那么它的特征向量中心性就高。这有点像“与大佬为伍，自己也是大佬”。

实操计算示例（使用networkx）：

# 计算商业网络的各项中心性 degree_centrality_biz = nx.degree_centrality(G_business) betweenness_centrality_biz = nx.betweenness_centrality(G_business) closeness_centrality_biz = nx.closeness_centrality(G_business) # networkx 中特征向量中心性计算要求图为连通图，若不连通需处理 try: eigenvector_centrality_biz = nx.eigenvector_centrality(G_business, max_iter=1000) except nx.PowerIterationFailedConvergence: print("商业网络特征向量中心性计算未收敛，可能网络不连通或需要调整参数。") # 将结果整理成表格，便于比较 import pandas as pd centrality_df = pd.DataFrame({ 'Family': families, 'Biz_Degree': [degree_centrality_biz.get(f, 0) for f in families], 'Biz_Betweenness': [betweenness_centrality_biz.get(f, 0) for f in families], 'Biz_Closeness': [closeness_centrality_biz.get(f, 0) for f in families] }) # 排序查看 print("商业网络度中心性排名:") print(centrality_df.sort_values(by='Biz_Degree', ascending=False)[['Family', 'Biz_Degree']].head())

我敢打赌，无论你计算哪个指标，美第奇家族几乎在所有榜单上都名列前茅，尤其是在中介中心性上，它很可能一骑绝尘。这初步验证了历史结论：美第奇并非单纯靠财富，而是凭借其在关系网络中的特殊战略位置（充当多个派系之间的关键桥梁）积累了巨大的政治资本。

3.2 第二层：关系对比与网络可视化——商业与婚姻，孰轻孰重？

分别分析两个网络后，我们要将它们放在一起比较。这能回答一些有趣的问题：哪些家族更依赖商业纽带？哪些家族更倚重婚姻联盟？两种关系网络的结构有何不同？

可视化实操： 可视化是让数据说话的利器。我们可以用不同颜色和形状来区分家族和关系类型。

import matplotlib.pyplot as plt # 创建一个合并了两种关系的图，用边的属性来区分 G_combined = nx.Graph() for fam in families: G_combined.add_node(fam) # 添加边，并设置属性 for i in range(len(families)): for j in range(i+1, len(families)): if business_matrix[i][j] == 1: G_combined.add_edge(families[i], families[j], relation='business', weight=2) if marriage_matrix[i][j] == 1: # 如果既有商业又有婚姻，关系强化 if G_combined.has_edge(families[i], families[j]): G_combined[families[i]][families[j]]['relation'] = 'both' G_combined[families[i]][families[j]]['weight'] = 4 else: G_combined.add_edge(families[i], families[j], relation='marriage', weight=1) # 绘制网络图 plt.figure(figsize=(12, 10)) pos = nx.spring_layout(G_combined, seed=42) # 使用一种布局算法确定节点位置 # 根据关系类型定义边颜色和样式 edge_colors = [] edge_widths = [] for u, v, d in G_combined.edges(data=True): if d['relation'] == 'business': edge_colors.append('gray') edge_widths.append(1.5) elif d['relation'] == 'marriage': edge_colors.append('lightcoral') edge_widths.append(1.5) elif d['relation'] == 'both': edge_colors.append('darkred') edge_widths.append(3.0) # 绘制边 nx.draw_networkx_edges(G_combined, pos, edge_color=edge_colors, width=edge_widths, alpha=0.7) # 绘制节点，可以按度中心性大小调整节点尺寸 node_sizes = [degree_centrality_biz.get(f, 0)*3000 + 500 for f in families] # 大小与商业度中心性相关 nx.draw_networkx_nodes(G_combined, pos, node_size=node_sizes, node_color='lightblue', alpha=0.9) # 标注节点名称 nx.draw_networkx_labels(G_combined, pos, font_size=10, font_family='sans-serif') plt.title('Florentine Families: Business (Gray) & Marriage (Red) Networks') plt.axis('off') plt.tight_layout() plt.show()

通过这样一张图，你可以直观地看到美第奇家族是否处于网络的几何中心，哪些家族通过婚姻紧密捆绑，哪些商业联盟缺少姻亲关系的巩固。通常会发现，商业网络比婚姻网络更稠密，但最强的绑定（边最粗）往往出现在商业和婚姻重叠的关系上。

3.3 第三层：假设检验与历史解释——数据如何印证“美第奇崛起”？

这是分析的升华阶段。我们有了数据，计算了指标，现在要将它们与历史叙事结合起来，进行“检验”。一个经典的假设是：美第奇家族的崛起，得益于其在分裂的精英网络中占据了独特的中介位置，从而能够操纵联盟、孤立对手。

我们可以设计分析来验证：

• 派系发现：使用社区检测算法（如Louvain算法、Girvan-Newman算法）看看网络是否自然分成几个小团体（派系）。结果很可能显示，美第奇家族所在的派系并不是最大的，但它可能连接着其他派系。
• 核心-边缘结构分析：检验网络是否存在一个紧密相连的核心集团和一个相对松散的外围。美第奇很可能处于核心，但并非所有核心成员都拥有像它一样高的中介中心性。
• 模拟网络攻击：模拟从网络中依次移除度中心性最高或中介中心性最高的节点（即“攻击”最重要的家族），观察整个网络连通性的崩溃速度。历史告诉我们，美第奇家族被流放时，佛罗伦萨陷入了混乱；当他们回归，秩序得以恢复。我们的模拟很可能显示，移除美第奇节点对网络完整性的破坏远大于移除其他同等财富的家族节点。

# 示例：使用Girvan-Newman算法探测商业网络中的社区结构 from networkx.algorithms.community import girvan_newman # 计算商业网络的社区划分 comp = girvan_newman(G_business) # 获取第一个层级（切割最不重要的边后）的社区划分 first_level_communities = tuple(sorted(c) for c in next(comp)) print("商业网络的可能社区结构（第一层）:") for i, comm in enumerate(first_level_communities): print(f"社区 {i+1}: {comm}") # 检查美第奇家族在哪个社区，以及该社区的构成 for i, comm in enumerate(first_level_communities): if 'Medici' in comm: print(f"\n美第奇家族位于社区 {i+1}。") print(f"该社区成员: {comm}") # 分析这个社区内部连接紧密程度 vs 对外连接 internal_edges = G_business.subgraph(comm).number_of_edges() possible_internal = len(comm)*(len(comm)-1)/2 density = internal_edges / possible_internal print(f"社区内部密度: {density:.3f}") break

如果分析显示美第奇所在的社区内部联系紧密，同时美第奇本人又拥有大量通向其他社区的连接（高中介中心性），那么就强有力地支持了“中介者”假说。它不是一个封闭小团体的首领，而是一个开放联盟的枢纽。

4. 实操进阶：利用Python进行完整分析工作流

理论说再多，不如亲手跑一遍代码。下面我分享一个基于networkx和matplotlib的完整分析脚本框架，并附上关键步骤的解读和避坑指南。

4.1 环境准备与数据加载

首先确保你的Python环境安装了必要的库。除了networkx和matplotlib，pandas和numpy也会让数据处理更轻松。

pip install networkx matplotlib pandas numpy

数据加载部分，我强烈建议你将找到的矩阵数据保存为CSV文件，例如florentine_business.csv和florentine_marriage.csv，这样代码更清晰，也便于版本管理。

import pandas as pd import numpy as np # 假设CSV文件没有表头，就是一个16x16的矩阵 business_df = pd.read_csv('florentine_business.csv', header=None) marriage_df = pd.read_csv('florentine_marriage.csv', header=None) # 转换为numpy数组 business_matrix = business_df.values marriage_matrix = marriage_df.values # 验证矩阵形状和对称性 assert business_matrix.shape == (16, 16), "商业关系矩阵应为16x16" assert marriage_matrix.shape == (16, 16), "婚姻关系矩阵应为16x16" # 检查是否对称（对角线为0，且对称位置相等） np.testing.assert_array_equal(business_matrix, business_matrix.T) np.testing.assert_array_equal(marriage_matrix, marriage_matrix.T) print("数据加载并验证通过。")

4.2 中心性计算与综合排名

计算完各项指标后，我们可以做一个综合排名表，这是呈现结果的精华。

def calculate_and_rank(G, network_name): """计算一个图的多种中心性并返回排序后的DataFrame""" metrics = {} metrics['Degree'] = nx.degree_centrality(G) metrics['Betweenness'] = nx.betweenness_centrality(G) metrics['Closeness'] = nx.closeness_centrality(G) # 特征向量中心性可能因网络不连通失败，需处理 try: metrics['Eigenvector'] = nx.eigenvector_centrality(G, max_iter=1000, tol=1e-6) except: print(f"{network_name}网络特征向量中心性计算失败，可能不连通。") # 赋值为NaN或使用其他方法 metrics['Eigenvector'] = {node: np.nan for node in G.nodes()} # 创建DataFrame df = pd.DataFrame(metrics) df.index.name = 'Family' df.reset_index(inplace=True) # 为每种中心性添加排名 for col in ['Degree', 'Betweenness', 'Closeness', 'Eigenvector']: if col in df.columns and not df[col].isna().all(): df[f'{col}_Rank'] = df[col].rank(ascending=False, method='min').astype(int) return df # 计算并展示 biz_rank_df = calculate_and_rank(G_business, "商业") marriage_rank_df = calculate_and_rank(G_marriage, "婚姻") print("商业网络综合中心性排名（前5）:") print(biz_rank_df.sort_values(by='Betweenness_Rank').head()) # 可以合并两个排名，观察家族在不同网络中的位置差异 merged_rank = biz_rank_df[['Family', 'Degree_Rank', 'Betweenness_Rank']].copy() merged_rank = merged_rank.merge( marriage_rank_df[['Family', 'Degree_Rank', 'Betweenness_Rank']], on='Family', suffixes=('_Biz', '_Mar') ) print("\n家族在商业与婚姻网络中的中介中心性排名对比:") print(merged_rank.sort_values(by='Betweenness_Rank_Biz')[['Family', 'Betweenness_Rank_Biz', 'Betweenness_Rank_Mar']])

实操心得：特征向量中心性计算有时会因网络不连通（存在孤立节点或分离的组件）而失败。佛罗伦萨婚姻网络就可能存在连接度很低的家族。一个稳健的做法是先用nx.is_connected()检查连通性，如果不连通，可以考虑只计算最大连通子图的特征向量中心性，或者使用其他对连通性不敏感的指标（如PageRank的变体）。

4.3 网络属性与结构洞分析

除了中心性，还有一些整体网络属性和特定概念非常有用。

1. 网络密度：实际存在的边数与可能存在的最大边数之比。密度越高，说明家族间联系越紧密。

density_biz = nx.density(G_business) density_mar = nx.density(G_marriage) print(f"商业网络密度: {density_biz:.3f}") print(f"婚姻网络密度: {density_mar:.3f}") # 通常商业密度 > 婚姻密度，说明经济合作比血缘联姻更普遍。

2. 平均最短路径长度与直径：衡量网络的信息传递效率。

# 注意：如果网络不连通，这些函数会报错。需要先确保图是连通的，或计算连通子图。 if nx.is_connected(G_business): avg_path_biz = nx.average_shortest_path_length(G_business) diameter_biz = nx.diameter(G_business) print(f"商业网络平均最短路径: {avg_path_biz:.2f}, 直径: {diameter_biz}") else: print("商业网络不连通，无法计算全局平均最短路径和直径。") # 可以计算各连通组件的属性

3. 结构洞：这是社会学家伯特提出的概念，指网络中非冗余的联系。占据结构洞的个体（如美第奇）能获得信息优势和控制优势。虽然networkx没有直接计算伯特结构洞指标的函数，但我们可以用约束系数来近似衡量（约束系数越低，说明该节点占据的结构洞越多）。

# 计算约束系数 constraint_biz = nx.constraint(G_business) constraint_mar = nx.constraint(G_marriage) # 找出约束系数最低（结构洞最丰富）的家族 min_constraint_fam_biz = min(constraint_biz, key=constraint_biz.get) min_constraint_fam_mar = min(constraint_mar, key=constraint_mar.get) print(f"商业网络中，占据结构洞优势最明显的家族是 {min_constraint_fam_biz} (约束系数: {constraint_biz[min_constraint_fam_biz]:.3f})") print(f"婚姻网络中，占据结构洞优势最明显的家族是 {min_constraint_fam_mar} (约束系数: {constraint_mar[min_constraint_fam_mar]:.3f})") # 美第奇很可能在商业网络中约束系数极低。

4.4 可视化进阶：让洞察一目了然

基础可视化之后，我们可以制作更专业的图表来呈现分析结果。

1. 中心性指标雷达图：对比几个核心家族的多维指标。

def plot_radar_chart(families_to_plot, metrics_df): """为选定的家族绘制中心性雷达图""" categories = ['Degree', 'Betweenness', 'Closeness'] N = len(categories) # 准备数据，归一化到[0,1] plot_data = {} for fam in families_to_plot: values = [] for cat in categories: val = metrics_df.loc[metrics_df['Family']==fam, cat].values[0] # 简单归一化（除以该指标最大值） max_val = metrics_df[cat].max() values.append(val / max_val) plot_data[fam] = values angles = [n / float(N) * 2 * np.pi for n in range(N)] angles += angles[:1] # 闭合 fig, ax = plt.subplots(figsize=(8,8), subplot_kw=dict(projection='polar')) for fam, values in plot_data.items(): values += values[:1] ax.plot(angles, values, linewidth=2, label=fam) ax.fill(angles, values, alpha=0.1) ax.set_xticks(angles[:-1]) ax.set_xticklabels(categories) ax.set_ylim(0, 1.1) ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0)) plt.title('家族网络中心性对比雷达图') plt.show() # 对比美第奇、斯特罗齐、阿尔比齐等关键家族 key_families = ['Medici', 'Strozzi', 'Albizzi', 'Guadagni'] plot_radar_chart(key_families, biz_rank_df)

2. 双关系网络对比图：并排显示两个网络，使用一致的节点布局，便于比较。

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 8)) # 使用同一个布局，确保节点位置可比 pos = nx.spring_layout(G_business, seed=42) # 以商业网络布局为准 # 绘制商业网络 nx.draw_networkx_nodes(G_business, pos, node_color='lightblue', node_size=800, ax=ax1) nx.draw_networkx_edges(G_business, pos, edge_color='gray', width=1.5, ax=ax1) nx.draw_networkx_labels(G_business, pos, font_size=10, ax=ax1) ax1.set_title('Florentine Families - Business Network') ax1.axis('off') # 绘制婚姻网络 nx.draw_networkx_nodes(G_marriage, pos, node_color='lightcoral', node_size=800, ax=ax2) # 相同位置 nx.draw_networkx_edges(G_marriage, pos, edge_color='red', width=1.5, ax=ax2) nx.draw_networkx_labels(G_marriage, pos, font_size=10, ax=ax2) ax2.set_title('Florentine Families - Marriage Network') ax2.axis('off') plt.tight_layout() plt.show()

并排对比可以清晰看出，有些家族在商业网络中活跃，但在婚姻网络中边缘化（反之亦然），这本身就暗示了其不同的生存策略。

5. 常见问题、数据陷阱与扩展思考

在实际操作和分析这个数据集时，你会遇到一些典型问题和值得深入思考的方向。

5.1 数据质量与历史局限性

1. 关系的强度与方向：数据集是二元的（有/无），但现实中关系有强弱之分。美第奇与某个家族的商业合作深度，可能远超其他家族间的合作。同时，关系也可能有方向（如庇护与被庇护），但矩阵无法体现。这是所有二值网络数据的通病。
2. 时间维度缺失：数据集是横截面的，反映的是某个时期（约1427-1434）的静态快照。我们无法看到关系是如何随时间演变的。美第奇的网络位置是逐步构建的还是突然形成的？这需要动态网络数据才能回答。
3. 关系类型的简化：仅包含商业和婚姻两种。实际上，政治同盟、个人友谊、艺术赞助等都是重要的社会纽带。帕吉特本人后来的研究也扩展了关系类型。

避坑指南：在陈述结论时，务必加上“基于现有数据”、“在商业和婚姻关系层面上”等限定词，避免过度解读。社会网络分析是揭示结构模式的强大工具，但它不能替代对具体历史事件、个人能动性和偶然因素的细致考察。

5.2 分析中的技术挑战

1. 网络不连通问题：尤其是婚姻网络，可能包含几乎没有联姻的家族（孤立节点）或形成小团体。计算某些全局指标（如平均路径长度、直径）或需要连通图的算法（如特征向量中心性）时会出错。解决方案：在计算前用nx.number_connected_components()和nx.connected_components()检查连通性，并考虑只分析最大连通子图，或在报告时明确指出。
2. 中心性指标的选择与解释：不同中心性指标衡量的是不同的“重要性”。度中心性高可能是“交际花”，中介中心性高可能是“权力掮客”，接近中心性高意味着“不易被隔离”。你需要根据研究问题选择合适的指标，并谨慎解释。例如，解释美第奇的权力，中介中心性比度中心性可能更有说服力。
3. 可视化布局的误导：spring_layout等力导向布局算法每次运行结果可能略有不同，且节点位置并不直接对应其“中心性”。不要从节点在图纸上的绝对位置判断其重要性，而应依赖计算出的中心性数值。多次运行或固定随机种子（seed参数）可以获得可重复的布局。

5.3 扩展分析方向

如果你已经掌握了基础分析，可以尝试以下更有挑战性的方向：

1. 指数随机图模型：使用ERGM等统计模型，不仅描述网络，还能检验哪些因素（如家族财富、历史渊源）显著影响了关系的形成。例如，可以检验“富有的家族之间是否更倾向于联姻？”（同配性检验）。
2. 多层网络分析：将商业和婚姻网络视为一个多层网络，分析两者之间的相关性或相互依赖。例如，计算两个网络的QAP相关性，或研究在一个网络中的位置如何影响在另一个网络中的位置。
3. 模拟与反事实推理：这是最有趣的部分。你可以编写简单的代理模型，模拟信息或资源在网络中的流动。然后，进行“反事实”模拟：如果美第奇家族在1434年没有回归，网络会如何演化？其他哪个家族最有可能填补其留下的结构洞？这需要你定义清晰的模拟规则（如资源分配模型、意见动态模型），虽然带有假设性，但能极大地深化对历史可能性的理解。

5.4 一份快速排错清单

当你代码运行不如预期时，可以按此清单排查：

最后，我想分享一点个人体会：Padgett的佛罗伦萨数据集之所以经典，不仅在于其历史价值，更在于它像一座桥梁，连接了人文社科与数据科学。它告诉我们，复杂的人类社会关系可以被抽象、量化并分析，从而获得超越个体叙事的结构性洞察。当你用代码计算出美第奇家族那惊人的中介中心性数值时，你仿佛穿越时空，用数学语言验证了历史学家长篇累牍的论述。这种跨学科的“顿悟”时刻，正是数据分析最迷人的地方。不妨以这个数据集为起点，尝试去寻找和分析你感兴趣领域的社会网络数据，你会发现，世界处处皆网络。