为了更容易理解，我们用下面的函数来表达它:
经过
到达
同时也可以映射到下面的二分图。
好了，首先导入图形数据后，我们就可以进行下一步的分析了。
我们已经有了一个简单的图形模型。接下来从英雄和漫画的二分图网络(两种节点类型)出发，根据两个英雄在同一部漫画中出现的次数，推导出一个二分图(只有一种节点类型)。
接下来，我们将对之前导出的单形进行一些分析。关于数据分析，我平时的习惯是先做一些整体的统计，对图表有个大概的感性认识，再深入研究细节。
我们先来看看重量相近的英雄分布。权重值是指两个英雄在同一部漫画中一起出现的总次数。
当我第一次看到这个查询语句时，我发现？(k.weight / 10) * 10？出现这样的条款，你肯定会觉得这是一个非常愚蠢的说法。但如果你理解了Secondary的计算规则(两个整数相除仍是整数)，你就会明白，我们这样写是为了完成一个“桶”函数的功能，即将所有的权重分配到10的倍数的桶中。这样就很容易理解下面的结果了。
？从结果可以看出，在漫威英雄网的171644个关系中，162489个关系(占总积分关系数据的94%)的权重在10以下，也就是说，大部分英雄只相遇一次。
最大重量724，出现在《THING/BENJAMIN J. GR》(石头人)和《人炬/JOHNNY S》(霹雳火)。这两个真是好朋友。
虽然大家在漫威英雄的社交网络中互相认识，但是从权重可以看出，大部分都是非常薄弱的环节。我大胆地做出两个假设:
为了测试我的假设，我将首先尝试使用下面的查询语句。
上面展示了一些平均指数，但我个人更喜欢看分布，就像我之前用的“桶”函数一样:
看来我的假设仍然有效。8999(71%)个英雄出现在漫画中的次数不到10次。再加上之前每集7.5个英雄的推断，可以知道大部分漫画中可能只有5个英雄或者更少。有些漫画会有“家庭聚会”，届时会出现30多个英雄。有一本漫画叫《COCI》，有110个英雄，应该是超级英雄大会的问题。
我们可以使用最大值或最小值方法来标准化权重值。注意到我们这次用什么了吗？(toFloat(k 1 . weight)-min)/(max-min)？第一，k1.weight会被转换成浮点型，这样浮点型如果被整形除了还是浮点型。它不会被归入前面的桶中。