School of Data - mapping company networks
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

School of Data - mapping company networks

on

  • 1,759 views

 

Statistics

Views

Total Views
1,759
Views on SlideShare
1,604
Embed Views
155

Actions

Likes
3
Downloads
42
Comments
0

3 Embeds 155

http://www.scoop.it 148
https://twitter.com 5
http://www.pearltrees.com 2

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

CC Attribution License

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

School of Data - mapping company networks Document Transcript

  • 1. Some  slide  prompts  to  support  a  data  framing  inves3ga3on  around  corporate  data  –   originally  prepared  for  the  OGP  Fes3val,  London,  October  2013.   For  more  informa3on,  contact:  schoolOfData.org   1  
  • 2. These  notes  provide  a  worked  example  of  how  to  download  company  ownership   rela3onship  data  from  OpenCorproates  (opencorporates.com)  using  the  cross-­‐ plaNorm  data  cleaning  tool  OpenRefine  (openrefine.org),  and  then  visualise  the  data   using  the  cross-­‐plaNorm  Gephi  netwrok  visualisa3on  tool  (gephi.org).   2  
  • 3. OpenCorporates  is  a  private  company  that  has  set  itself  the  ambi3ous  task  of  building   a  database  of  registered  company  informa3on  for  every  legal  corporate  en3ty  in  the   world.   One  of  the  views  OpenCorporates  offers  over  at  least  some  of  the  data  in  its  database   shows  how  companies  are  connected  by  beneficial  ownership  or  shareholder   rela3onships.   Although  complex,  this  diagram  is  “human  readable”  –  the  data  is  presented  in  a  way   that  is  intended  to  make  some  sort  of  meaningful  sense  to  us.   3  
  • 4. But  as  well  as  publishing  data  for  us  humans  to  read,  OpenCorporates  also  makes   data  available  in  a  way  that  machines  can  read    -­‐  machine  readable  data.   You  may  have  heard  of  the  term  “API”  in  the  context  of  data  publishing  websites.  To   all  intents  and  purposes,  an  API  is  an  interface  that  computers  can  use  to  get   informa3on  out  of  websites  in  a  way  that  they,  and  the  databases  they  work  with,  can   understand.   The  data  is  published  in  a  format  known  as  JSON  –  Javascript  Object  Nota3on.  But   you  don’t  really  need  to  know  much  more  than  that  –  just  that  it’s  called  JSON,  and   tools  that  can  parse  and  work  with  JSON  can  parse  and  work  with  the  data  that  the   OpenCorporates  API  publishes.   4  
  • 5. If  you  aren’t  a  programmer,  here’s  way  of  ge]ng  the  data  out  of  OpenCorporates  and   into  a  tabular  form  you  may  be  more  comfortable  with,  and  which  we  can  use  to   generate  a  network  diagram  to  display  in  a  tool  such  as  Gephi…   You  can  download  the  OpenRefine  applica3on  from  openrefine.org.  When  you  run  it   on  your  computer,  it  will  launch  an  applica3on  that  runs  inside  a  browser  tab  using   your  default  web  browser.   5  
  • 6. We  can  get  company  ownership  (subsidiary  rela3ons,  major  shareholdings,  etc)  from   OpenCorporates  by  hacking  the  web  address/URL  of  a  company  page  on   OpenCorporates.   From  a  company  page  on  OpenCorporates,  which  should  have  the  form:   http://opencorporates.com/companies/JURISDICTION/ COMPANY_ID! add  the  following  to  the  end  of  the  web  address/URL:   /network.json?depth=2   to  give  something  with  the  following  form:   http://opencorporates.com/companies/JURISDICTION/ COMPANY_ID/network.json?depth=2! (Note:  company  network  data  may  not  be  available  in  all  jurisdic3ons  or  for  all   companies.)   6  
  • 7. In  OpenRefine,  select  the  op3on  to  Create  [a  new]  Project  using  the  web  address  –  or   URL  –  to  the  JSON  data  page  that  reveals  the  data  rela3ng  to  the  corporate  ownership   network  of  the  company  we  are  interested  in  on  OpenCorporates.   Note  that  you  can  import  data  into  OpenRefine  from  several  web  addresses  all  in  one   go,  though  the  data  returned  from  each  URL  should  have  the  same  format  or   structure.   Using  mul3ple  URLs  results  in  a  combined  data  set,  which  can  be  quite  handy.   7  
  • 8. Being  machine  readable,  the  data  makes  more  sense  to  OpenRefine  than  it  probably   does  to  us!     Select  a  block  of  data  in  the  preview  view  that  is  typical  of  a  set  of  data  that  you  want   to  map  into  a  single  row  in  a  “tradi3onal”  spreadsheet  like  view.   Data  blocks  are  typically  contained  within  braces  (curly  brackets);  these  things  :  {  }   Note  that  in  some  machine  readable  data,  some  data  blocks  may  be  contained  within   other  data  blocks…   Each  of  the  items  in  a  single  data  block  can  be  mapped  into  a  separate  cell  –  that  is,  a   separate  column  –  in  a  single  row  of  data.   So  each  data  block  is  a  row,  and  each  item  in  the  block  is  a  column….  OpenRefine  will   give  you  a  preview  of  how  the  data  will  look  if  you  click  the  right  bumon!   8  
  • 9. You  can  preview  the  effect  of  making  par3cular  block  selec3ons  using  Update   Preview.   To  return  to  the  block  highlighter,  use  ‘Pick  Record  Nodes’.   When  you  are  happy  with  your  selec3on,  you  are  ready  to  “Create  Project”.   9  
  • 10. Once  we’re  happy  with  the  data  preview,  we  can  import  the  data  into  a  more  familiar   looking  layout.   The  arrows  at  the  top  of  each  column  pop  up  menus  that  allow  us  to  run  a  wide   variety  of  opera3ons  on  a  column.   One  of  the  opera3ons  let’s  us  change  the  column  name,  so  I’m  going  to  rename  the   child  company  and  parent  company  columns  to  what  Gephi  expects:  Source  and   Target.   10  
  • 11. This  is  the  format  that  Gephi  wants  to  see  when  we  import  data  from  a  simple  two   column,  comma  separated  variable  (CSV)  text  file.   One  of  the  columns  needs  to  be  called  Source,  another  needs  to  be  called  Target.   When  construc3ng  the  network  diagram,  Gephi  then  knows  to  draw  a  line  going  from   each  Source  element  to  the  corresponding  Target.   11  
  • 12. The  OpenCorporates  network  data  in  tabulated  form.  The  default  column  names  are   not  necessarily  as  human  readable  as  they  could  be!   In  par3cular,  we  can  iden3fy  the  name  of  the  parent  company  and  the  child  company   for  each  ownership  rela3on.  We  also  have  access  to  the  OpenCorporates  IDs  for  all  of   those  companies.  The  type  of  rela3onship  between  the  companies  is  also  described.   For  the  moment,  we  will  treat  them  all  equally.   (If  you  want  to  view  just  those  company  connec3ons  that  relate  to  a  par3cular  type  of   rela3on,  use  the  Facet  or  Text  Filter  tool  applied  to  the  appropriate  column.)   12  
  • 13. From  the  appropriate  column  menu,  select  “Edit  Column”  and  then  “Rename  this   column”  to  change  the  column  name.   13  
  • 14. We  can  now  export  the  data  using  the  Custom  Tabular  Exporter.   Deselect  all  the  columns  then  select  just  the  Source  and  Target  columns  –  we  will  only   export  data  from  these  two  columns.   14  
  • 15. Preview  your  data  to  check  that  it  looks  like  the  sort  of  data  you  expect  to  export.   From  the  Download  tab,  select  the  CSV  output  type  and  export  your  data  –  it  should   be  saved  into  the  default  download  directory  used  by  your  browser,  with  a  file  name   that  corresponds  to  the  OpenRefine  project  name.   You  should  have  the  two  column  data  saved  to  your  computer  that  you  can  now  load   in  to  Gephi.   15  
  • 16. Gephi  is  a  powerful  cross-­‐plaNorm  desktop  tool  for  visualising  data  that  describes   networks,  such  as  social  networks  or  corporate  ownership  networks.  You  can  import   data  into  Gephi  using  specialised  graph/network  representa3on  formats,  or  from   simple  two  column  data  files  where  each  describes  a  simple  connec3on  between  two   elements  (eg  thing1,  thing2  would  say  that  thing1  connects  to  thing2).   You  can  download  the  Gephi  applica3on  from  gephi.org.  When  you  run  it  on  your   computer,  it  will  launch  a  desktop  applica3on.  Note  that  Gephi  requires  Java  –  if  you   are  on  a  Mac,  you  may  need  to  download  and  install  Java  yourself:  www.java.com   16  
  • 17. Launch  Gephi  (download  it  from  gephi.org  if  you  don’t  already  have  it  installed)  and   select  Data  Laboratory.   If  the  Data  Table  toolbar  is  empty,  go  to  the  applica3on’s  File  menu  and  select  ‘New   Project’.  A  new  project  will  be  created  and  you  should  see  several  toolbar  op3ons   appear  in  the  Data  Table.   17  
  • 18. Load  the  data  in  using  the  “Import  Spreadsheet”  tool  op3on.  Make  sure  that  you   select  Edges  table  as  the  table  type.   If  your  data  file  does  not  have  Source  and  Target  column  names,  an  error  will  occur   and  you  will  not  be  able  to  import  the  data  file.  (In  such  a  case,  you  could  always   open  the  file  in  a  text  editor,  change  the  column  names  in  the  file,  save  it,  and  try   again.  Alterna3vely,  go  in  to  OpenRefine,  change  the  column  names  there,  and  re-­‐ export  the  custom  tabulated  data…)   18  
  • 19. The  final  stage  of  the  import  gives  some  addi3onal  informa3on  about  how  uploaded   data  will  be  treated.   Because  we  are  simply  loading  in  data  that  describes  how  one  company  (iden3fied  by   its  name)  is  connected  to  another  company  (also  iden3fied  by  its  name),  we  need  to   get  Gephi  to  automa3cally  create  a  node  each  3me  it  sees  a  new  company  (as   iden3fied  by  its  company  name…).   19  
  • 20. When  the  data  is  imported,  we  can  preview  it,  either  by  looking  at  a  list  of  nodes  that   have  been  created,  or  ‘edges’  –  that  is,  connec3ons  between  two  companies.   20  
  • 21. So  now  let’s  see  where  we  can  start  to  view  this  data  as  a  network  visualisa3on.   Click  on  the  top  paleme  Overview  bumon  to  get  an  overview  of  the  network  in  visual   form.  This  is  the  area  where  we  can  interac3vely  visualise  the  network.   21  
  • 22. The  default  Overview  layout  has  three  main  areas:   -­‐   in  the  middle  is  the  canvas  where  we  can  see  the  current  layout  of  the  network;   along  the  les  hand  side  of  the  central  panel  are  several  tools  for  opera3ng  on  the   elements  shown  on  the  canvas;  along  the  bomom  of  the  central  panel  are  several   tools  for  controlling  how  text  labels  are  displayed.   -­‐   to  the  les  are  several  tools  for  manipula3ng  what  the  network  looks  like:  tools  for   laying  out  the  network  (that  is,  posi3oning  the  nodes)  automa3cally,  as  well  as   colouring  and  sizing  the  nodes;   -­‐  to  the  right  are  several  tools  that  allow  us  to  analyse  and  process  the  graph  (that  is,   the  mathema3cal  structure  that  defines  the  network);  for  example,  we  can  run   various  sta3s3cs  on  the  network,  or  filter  the  nodes  that  are  displayed  according  to   one  or  more  specified  criteria.   22  
  • 23. Let’s  start  by  laying  out  the  network.  There  are  several  layout  tools  provided  by   default  (you  can  install  more  from  the  Tools-­‐>Plugins    menu)  which  each  have  slightly   different  behaviours  and  can  be  differently  effec3ve  at  laying  out  networks  with   different  sorts  of  structure.   A  couple  of  good  all-­‐round  layout  algorithms  are:   -­‐   ForceAtlas2   -­‐   Yifan  Hu.   If  you  imagine  connected  nodes  held  together  by  springs,  you  can  thing  of  these   layout  tools  as  trying  to  posi3on  the  nodes  so  that  the  springs  are  stretched  as  limle   as  possible.  Sort  of.   23  
  • 24. At  the  moment,  we  don’t  know  what  each  node  represents.  By  default,  when  labels   are  switched  on,  Gephi  looks  for  a  label  column  value  associated  with  a  node  and   displays  that.  But  we  can  also  display  other  values.  In  this  case,  we  are  using  a   company  name  as  the  node  ID,  so  we  can  select  id  as  the  element  to  display  when  we   switch  labels  on.  Click  on  the  clipboard  icon  on  the  toolbar  at  the  bomom  of  the   screen  to  raise  the  label  selector.   To  actually  switch  labels  on,  click  on  the  lesmost/darket  T  bumon  on  the  toolbar  at   the  bomom  of  the  screen.   The  slider  on  the  right  controls  the  text  label  size.   24  
  • 25. We  can  also  change  the  size  of  labels  propor3onal  to  the  size  of  a  node  –  but  how  do   we  size  nodes?   Whilst  it  is  possible  to  load  in  data  that  describes  various  amributes  associated  with   each  node  (for  example,  in  the  case  of  a  company  node  it  might  be  the  turnover  or   profit  in  the  last  financial  year),  we  can  also  generate  informa3on  about  each  node   based  on  various  network  proper3es.   For  example,  the  degree  of  a  node  says  how  many  connec3ons  it  has  with  other   nodes.  Where  connec3ons  are  ‘directed’  –  that  is,  represented  by  arrows  –  the   number  of  arrows  that  leave  a  node  is  referred  to  as  the  out-­‐degree  of  the  node,  and   the  number  of  arrows  that  come  into  a  node  as  the  in-­‐degree.   25  
  • 26. We  can  use  the  Average  Degree  sta3s3c  tool  to  calculate  the  degree,  in-­‐degree  and   out-­‐degree  values  for  each  node.   We  can  then  use  these  values  as  the  basis  for  sizing  the  nodes  in  the  network   visualisa3on.   26  
  • 27. Here  we  have  sized  the  nodes  by  Degree.  The  min  and  max  size  parameters  can  be  set   as  required  to  scale  the  size  of  the  nodes.   27  
  • 28. We  can  set  the  label  size  so  that  it  is  propor3onal  to  the  node  size  –  from  the  black/ dark  A  label  on  the  toolbar  at  the  bomom  of  the  screen,  select  the  [proporIonal  to]   Node  Size  menu  op3on.   28  
  • 29. As  well  as  tools  for  genera3ng  grandscale  layouts,  there  are  also  layout  tools  for   tweaking  a  par3cular  layout.   The  Expansion  tool  just  stretches  (or  shrinks)  the  layout  in  the  x  and  y  direc3ons.  This   can  be  good  for  just  pu]ng  a  bit  of  space  into  a  layout.   The  Label  Adjust  tool  juggles  nodes  so  that  their  labels  don’t  overlap.  Note  that  this   tool  may  move  some  nodes  quite  a  distance  compared  to  their  neighbours  and  so   may  upset  any  meaningful  spa3al  rela3onships  obtained  using  the  other  layout  tools.   29  
  • 30. We  can  colour  and  size  nodes  according  to  a  wide  range  of  proper3es  obtained  from   running  various  network  sta3s3cs.   As  you  work  with  network  data  more  and  more,  you  start  to  get  a  feel  for  which  tools   to  use  to  help  you  look  for  par3cular  pamerns,  structures  and  stories  within  the  data.   But  that  is  a  tutorial  for  another  day…   30  
  • 31. We  can  use  various  tools  in  concert  to  tweak  the  layout  of  the  network.   In  this  example,  I  have:   -­‐   sized  the  nodes  by  degree;   -­‐   set  the  label  sizes  propor3onal  to  the  Degree;   -­‐   tweaked  the  scale  using  the  text-­‐size  slide;   -­‐   used  the  Authority  value  (obtained  via  the  HITS  sta3s3c)  to  colour  the  nodes;   -­‐   laid  out  the  network  using  a  ForceAtlas2  algorithm,  a  bit  of  Expansion  and  a  dash  of   Label  Adjust.   31  
  • 32. If  you  want  to  know  more,  contact  us…   32