따알깍PROMPT DICT 앱으로 열기

데이터 · 정보 시각화 · 지도 · 네트워크

네트워크 · 계층 · 관계 시각화 Network, hierarchy & relationship visualisation

포스 레이아웃 튜닝, 노드-링크 vs 인접 행렬과 행렬 재정렬, 계층적 엣지 번들링, 하이브 플롯, 중심성·커뮤니티·에고 네트워크, 이분 그래프 투영, 시간 네트워크, 헤어볼 필터링과 그래프 LOD까지 — 노드와 링크로 관계를 읽히게 만드는 그래프 시각화 기법을 A/B로 보여주는 사전입니다.

카드 32개 · 카드마다 설명과 바로 복사해 쓸 수 있는 프롬프트 전문 · 앱에서 라이브 데모로 보기

카드 목록 32개
  1. 포스 레이아웃 힘 조정 (뭉침 · 과팽창 · 그룹별 링크 거리)
  2. 노드-링크 vs 인접 행렬 (밀도가 오르면 갈아탈 때)
  3. 인접 행렬 재정렬 (원래 순서 → 연결 수 순 → 스펙트럴)
  4. 계층적 엣지 번들링 (β 0 → 0.85)
  5. 하이브 플롯 (축 = 노드 유형 · 위치 = 연결 수 순위)
  6. 원형 레이아웃 노드 순서 (무작위 → 커뮤니티 → 바리센터)
  7. 계층 군집 덴드로그램 · 높이 컷으로 군집 수 고르기
  8. 중심성 지표 비교 (연결 · 매개 · 근접)
  9. 커뮤니티 탐지 (라벨 전파 · 모듈성 Q 상승)
  10. 에고 네트워크 (1단계 → 1.5단계 → 2단계 · 구조적 공백)
  11. 이분 그래프 → 단일 모드 투영 (공저 네트워크 · 클리크 부풀림)
  12. 시간 네트워크 (누적 정적 그래프 vs 시간 순서 존중 도달)
  13. 헤어볼 걸러내기 (가중치 임계 → 2-코어 → 재배치)
  14. 그래프 LOD (줌 아웃 = 메타 노드 · 줌 인 = 구성원 펼침)
  15. 트리 배치 3종 (정돈 트리 → 덴드로그램 → 방사형 · 라벨 뒤집기)
  16. 방향 엣지 표현 4종 (화살표 · 테이퍼 · 그라디언트 · 곡선)
  17. 노드트릭스 (빽빽한 군집은 행렬 · 성긴 연결은 노드-링크)
  18. 피벗그래프 (노드를 속성 격자로 집계 · 축 속성 바꾸기)
  19. 바이오패브릭 (노드 = 가로선 · 엣지 = 세로선)
  20. k-코어 껍질 분해 · 양파 배치 (연결 수 ≠ 중심부)
  21. 탱글그램 (두 트리 마주 놓고 가지 뒤집어 교차 줄이기)
  22. 계통수 표기 규칙 (분기도 → 계통도 가지 길이 → 회전 → 무근 배치)
  23. 그래프 위 겹치는 집합 표시 (색 점 → 볼록 껍질 → 버블셋)
  24. 네트워크 견고성 (무작위 고장 vs 허브 표적 공격 · 거대 성분 곡선)
  25. 배치 품질 검증 (포스 vs 스트레스 다수화 · 셰퍼드 도표)
  26. 그룹-인-어-박스 배치 (트리맵 칸마다 군집 하나)
  27. 두 시점 네트워크 비교 (독립 배치 → 공통 좌표 → 차이 겹쳐 보기)
  28. 성장하는 네트워크의 배치 안정성 (매번 새로 배치 vs 이전 좌표 고정)
  29. 쌍곡 트리 브라우저 (포앵카레 원판 · 초점 이동)
  30. DAG 추이적 축약 (돌아가는 경로가 있는 엣지 걷어내기)
  31. 작은 세상 네트워크 (재연결 확률 p 스윕 · C(p)와 L(p))
  32. 다층(멀티플렉스) 네트워크 (관계 종류별 평면 쌓기 · 층 간 결합선)

포스 레이아웃 힘 조정 (뭉침 · 과팽창 · 그룹별 링크 거리)

Force-directed layout tuning: collapsed vs over-repelled vs per-group link distance with collision

  • d3-force
  • Canvas
  • Cytoscape.js

같은 그래프라도 반발력(charge)과 링크 거리 설정에 따라 노드가 한 덩어리로 겹치거나 화면 밖으로 흩어지고, 그룹 내·간 링크 거리를 나누고 충돌 반경을 주면 군집 구조가 드러나는 것을 세 패널 동시 시뮬레이션과 겹침·화면 밖 노드 수로 비교하는 포스 레이아웃 튜닝 기법으로, d3-force 기본값을 그대로 쓰기 전에 파라미터를 정할 때 쓴다.

프롬프트

d3.forceSimulation으로 4개 그룹 36노드 그래프(그룹 내 연결 확률 0.42, 그룹 간 0.03)를 세 패널(각 96×152px)에 동시에 돌려줘. A: forceManyBody().strength(−1) + forceLink().distance(2) + forceX/Y(0.2) → 한 덩어리로 겹침, B: strength(−30) + distance(26) + forceX/Y(0.06) → 노드가 패널 밖으로 흩어짐, C: strength(−5) + distance(d => 같은 그룹 ? 5 : 38) + forceCollide(2.8) + forceX/Y(0.07) → 그룹이 분리. 세 패널 모두 같은 시드, alpha 1 → 0.001(240틱, alphaDecay ≈ 0.0284), velocityDecay 0.4를 3.6초에 재생하고, 패널 하단에 겹친 쌍 수(중심 거리 < 4.3px)와 패널 밖 노드 수를 실시간 표시(나쁨 #FF6B5A · 좋음 #4FD1B5). 노드 반지름 2.5px, 그룹색 #6E80FF·#FFC933·#FF6B5A·#4FD1B5, 그룹 간 링크 알파 0.16, 10초 루프.

라이브 데모 열기 — 포스 레이아웃 힘 조정 (뭉침 · 과팽창 · 그룹별 링크 거리)

노드-링크 vs 인접 행렬 (밀도가 오르면 갈아탈 때)

Node-link diagram vs adjacency matrix as edge density grows

  • D3
  • Canvas
  • Observable Plot

엣지가 늘어날수록 노드-링크 그림은 교차 수가 폭증해 헤어볼이 되지만 같은 데이터를 그룹 순으로 정렬한 인접 행렬은 블록이 그대로 읽히는 것을 밀도 6%→40% 증가와 교차 수 카운터로 나란히 보여주는 표현 선택 기법으로, 밀도 약 20%를 넘는 관계 데이터를 어떤 그림으로 그릴지 결정할 때 쓴다.

프롬프트

Canvas 2D로 4그룹 24노드 그래프를 왼쪽 노드-링크(고정 포스 배치, 150×140px)와 오른쪽 인접 행렬(24×24칸, 칸 5.5px, 그룹 순 정렬)에 동시에 그려줘. 엣지는 그룹 내 쌍을 4.2배 먼저 도착시키는 순서로 밀도 6% → 40%(엣지 17 → 110개)까지 7초 동안 선형 추가하고, 새 엣지는 두 뷰 모두 0.5초 노란 #FFC933 플래시. 노드-링크의 선분 교차 수를 실시간 계산해 HUD에 표시하고 밀도 20%를 넘으면 "행렬로 전환 권장"을 #FF6B5A로 띄워줘. 1.1초마다 노드 하나를 포커스해 행렬의 행·열 띠(알파 0.08)와 노드-링크의 연결선을 함께 강조하고, 행렬 칸은 그룹 내=그룹색, 그룹 간=흰색 55%. 11초 루프.

라이브 데모 열기 — 노드-링크 vs 인접 행렬 (밀도가 오르면 갈아탈 때)

인접 행렬 재정렬 (원래 순서 → 연결 수 순 → 스펙트럴)

Adjacency-matrix seriation: input order vs degree sort vs spectral (Fiedler-vector) ordering

  • reorder.js
  • D3
  • Canvas
  • Python

인접 행렬은 행·열 순서에 따라 같은 데이터가 소금 뿌린 잡음처럼도, 대각선 블록(군집)처럼도 보이므로 입력 순서·연결 수 정렬·라플라시안 피들러 벡터(스펙트럴) 정렬을 차례로 적용하며 행과 열이 미끄러져 재배치되는 모습과 선형 배치 비용을 비교하는 행렬 정렬(시리에이션) 기법으로, 행렬 뷰를 만들 때 기본 정렬을 고를 때 쓴다.

프롬프트

Canvas 2D로 3개 숨은 군집(각 10노드, 군집 내 0.5 · 군집 간 0.045 확률)을 가진 30노드 그래프의 인접 행렬(칸 4.6px)을 그리되 노드 id는 섞어 둬서 입력 순서로는 패턴이 안 보이게 해줘. 2.5초 후 연결 수 내림차순, 5.7초 후 스펙트럴 순서(L = D − A의 두 번째 고유벡터를 (cI − L) 거듭제곱법 500회 + 평균 제거 디플레이션으로 구해 정렬)로 행과 열이 동시에 1.2초 easeInOutCubic(노드별 12ms 스태거)으로 미끄러지게 하고, 행렬 위·왼쪽에 숨은 군집색 띠를 붙여 군집이 연속 구간이 되는 것을 보여줘. 오른쪽에 세 순서의 선형 배치 비용 Σ|pos(a) − pos(b)| 막대를 그리고 현재 순서를 #4FD1B5로 강조. reorder.js면 reorder.spectral_order(graph), Python이면 scipy.sparse.csgraph.laplacian + numpy.linalg.eigh로 같은 계산. 12초 루프.

라이브 데모 열기 — 인접 행렬 재정렬 (원래 순서 → 연결 수 순 → 스펙트럴)

계층적 엣지 번들링 (β 0 → 0.85)

Hierarchical edge bundling with a bundle-strength (β) sweep and in/out highlighting

  • D3
  • d3.curveBundle
  • d3.cluster
  • Canvas

원형으로 배치한 잎 노드 사이의 연결을 계층 트리 경로(잎→하위 그룹→그룹→루트→…)를 제어점으로 하는 B-스플라인으로 휘게 하면, 직선일 때 헤어볼이던 70개 연결이 그룹 간 굵은 다발로 정리되는 것을 β(묶음 강도) 0→0.85→0.5 스윕과 선택 노드의 나가는·들어오는 연결 강조로 보여주는 Holten의 엣지 번들링 기법으로, 모듈 의존성·부서 간 협업 같은 계층+관계 데이터를 그릴 때 쓴다.

프롬프트

D3로 4그룹 × 2하위 그룹 × 5잎 = 40개 잎을 d3.cluster().size([360, 66]) 방사형으로 배치하고(그룹 사이 1.5칸 간격), 70개 연결을 leaf.path(target)로 얻은 계층 경로를 제어점으로 d3.lineRadial().curve(d3.curveBundle.beta(β))로 그려줘. β는 0(직선, 1.4초) → 0.85(2.2초 easeInOutCubic) → 3.4초 유지 → 0.5로 완화하고, 연결선은 출발 그룹색 알파 0.22, 1.2px. 2.6초마다 잎 하나를 포커스해 나가는 연결 #FF6B5A, 들어오는 연결 #4FD1B5, 1.6px로 강조하고 나머지는 알파 0.08로 낮춰줘. 바깥 링에 그룹 호(반지름 +5px)와 라벨, β가 커질수록 내부 계층 노드 점을 알파 0~0.5로 보여주는 11초 루프.

라이브 데모 열기 — 계층적 엣지 번들링 (β 0 → 0.85)

하이브 플롯 (축 = 노드 유형 · 위치 = 연결 수 순위)

Hive plot: deterministic axis layout by node type and degree rank vs seed-dependent force layout

  • D3
  • d3-hive
  • Canvas

포스 레이아웃은 시드만 바꿔도 같은 데이터가 다른 모양이 되어 두 네트워크를 비교하기 어렵지만, 노드 유형마다 축을 하나씩 주고 축 위 위치를 연결 수 순위로 정하는 하이브 플롯은 같은 데이터면 항상 같은 그림이 나오는 것을 포스 두 시드 사이 전환 → 축 배치 모핑 → 허브 강조로 보여주는 결정적 네트워크 배치 기법으로, 사용자–앱–서버 같은 다유형 관계를 비교 가능하게 그릴 때 쓴다.

프롬프트

Canvas 2D로 사용자 14 · 앱 10 · 서버 8 노드의 3유형 네트워크(사용자–앱, 앱–서버, 일부 사용자–서버; 선호 연결 가중치)를 먼저 포스 배치 시드 A로 보여주고 1.1초에 시드 B로 0.7초 보간해 "같은 데이터, 다른 그림"을 강조해줘. 3초부터 1.6초 easeInOutCubic으로 노드를 하이브 축 3개(−90°·30°·150°, 반지름 14~72px)로 옮기고, 축 위 반지름 = 14 + 58 × (유형 내 연결 수 순위 / (개수 − 1)), 엣지는 직선에서 두 축의 이등분선 방향(평균 반지름 × 1.15)을 제어점으로 하는 2차 베지어로 모핑. 엣지색은 출발 유형색(#6E80FF·#FFC933·#4FD1B5) 알파 0.4, 5.5~9초에 연결 수 1위 앱의 엣지만 #fff 1.4px, 나머지 알파 0.08. 10초 루프.

라이브 데모 열기 — 하이브 플롯 (축 = 노드 유형 · 위치 = 연결 수 순위)

원형 레이아웃 노드 순서 (무작위 → 커뮤니티 → 바리센터)

Circular layout node ordering for crossing reduction: random vs community-grouped vs barycentric

  • D3
  • Canvas
  • Gephi

원 둘레에 노드를 놓는 원형 레이아웃은 배치 순서만으로 현의 교차 수가 몇 배씩 달라지므로, 무작위 순서 → 커뮤니티별로 묶기 → 그룹 안에서 이웃 평균 각도(바리센터) 순 정렬로 노드가 원을 따라 미끄러지며 교차 수가 실시간으로 줄어드는 것을 보여주는 순서 최적화 기법으로, 원형·코드형 네트워크 그림의 노드 순서를 정할 때 쓴다.

프롬프트

Canvas 2D로 4개 커뮤니티 36노드 그래프(그룹 내 0.4 · 그룹 간 0.035)를 반지름 66px 원 위에 무작위 순서로 놓고, 2.4초 뒤 커뮤니티별 연속 구간(그룹 순서는 24가지 순열 중 교차 최소)으로, 6초 뒤 그룹 내부를 바깥 이웃의 평균 위치 기준 바리센터 정렬(4회 반복)로 노드를 원 둘레를 따라 1.4초 easeInOutCubic으로 미끄러지게 해줘. 엣지는 원 중심 쪽 25%로 휘는 2차 곡선(그룹 내 = 그룹색 알파 0.5, 그룹 간 = 흰색 0.18), 교차 수는 매 프레임 두 현의 끝점이 원 위에서 엇갈리는지(각도 구간 판정)로 세어 HUD에 크게, 아래에 세 순서의 최종 교차 수를 칩으로 표시. 11초 루프.

라이브 데모 열기 — 원형 레이아웃 노드 순서 (무작위 → 커뮤니티 → 바리센터)

계층 군집 덴드로그램 · 높이 컷으로 군집 수 고르기

Agglomerative clustering dendrogram built merge by merge, with a sliding height cut linked to the scatter

  • D3
  • d3.cluster
  • SciPy
  • Canvas

점 사이 평균 연결(average linkage) 거리로 가장 가까운 두 군집을 하나씩 합치는 과정을 산점도의 병합 연결선과 덴드로그램의 ㄷ자 가지로 동시에 쌓은 뒤, 수평 컷 선을 내리고 올리며 k = 2·3·4개 군집으로 산점도와 가지 색이 함께 바뀌는 것을 보여주는 계층 구조 시각화 기법으로, 군집 수를 데이터의 병합 높이 간격을 보고 정할 때 쓴다.

프롬프트

Canvas 2D로 4개 군집 24점 산점도(왼쪽 132×140px)와 덴드로그램(오른쪽, 잎은 아래 한 줄, 세로축 = 병합 거리)을 나란히 그려줘. 평균 연결로 23번 병합을 계산해 0.5~5초에 병합 순서대로(약 0.2초 간격) 덴드로그램 가지가 0.3초 동안 아래에서 위로 그려지고, 산점도에는 두 군집의 최근접 점 쌍을 잇는 얇은 선이 같이 나타나게 해줘. 5.6초부터 수평 컷 선(#FFC933 점선)이 k=2 → 3 → 4가 되는 높이(인접 병합 높이의 중간)로 1.6초마다 easeInOutCubic 이동하고, 컷 아래 가지와 산점도 점을 군집색(#6E80FF·#FF6B5A·#4FD1B5·#B47CFF)으로 칠해줘. SciPy면 scipy.cluster.hierarchy.linkage(X, "average") + fcluster(Z, t=h, criterion="distance"), D3면 d3.cluster로 잎 정렬. HUD에 병합 수 · k · 컷 높이, 11초 루프.

라이브 데모 열기 — 계층 군집 덴드로그램 · 높이 컷으로 군집 수 고르기

중심성 지표 비교 (연결 · 매개 · 근접)

Centrality measures compared on one network: degree vs betweenness vs closeness (the bridge node)

  • NetworkX
  • D3
  • Canvas
  • Gephi

같은 네트워크라도 노드 크기를 연결 수로 정하면 허브가 가장 크지만 매개 중심성으로 바꾸면 연결은 4개뿐인 두 군집 사이의 다리 노드가 1위로 커지고, 근접 중심성에서는 그 중간쯤이 되는 것을 크기·색 전환, 순위 막대, 다리를 지나는 최단 경로 흐름으로 보여주는 중심성 시각화 기법으로, "누가 중요한가"를 어떤 지표로 그릴지 정할 때 쓴다.

프롬프트

Canvas 2D로 두 군집(각 12노드, 군집 내 0.45)과 각 군집에 2개씩만 이어진 다리 노드 X, 군집 A의 모든 노드와 이어진 허브 H로 이루어진 25노드 그래프를 포스 배치해줘. 3.6초마다 노드 반지름 = 1.8 + 7·√(정규화 값)을 연결 중심성 → 매개 중심성(Brandes 알고리즘) → 근접 중심성((n−1)/Σd)으로 0.7초 easeInOutCubic 전환하고, 색은 #2F4FA8 → #FFC933 램프, 상위 2개 노드에 이름 라벨. 매개 중심성 구간에는 군집 A → B 최단 경로 6개를 따라 흰 점이 1.2초에 흐르며 모두 X를 지나는 것을 보여주고, 오른쪽에 상위 6개 노드 순위 막대(길이 = 정규화 값). NetworkX면 nx.degree_centrality · nx.betweenness_centrality · nx.closeness_centrality로 같은 값. 11초 루프.

라이브 데모 열기 — 중심성 지표 비교 (연결 · 매개 · 근접)

커뮤니티 탐지 (라벨 전파 · 모듈성 Q 상승)

Community detection by label propagation with live modularity Q and community hulls

  • NetworkX
  • graphology
  • D3
  • Canvas

모든 노드가 자기만의 라벨로 시작해 매 반복마다 이웃에서 가장 많은 라벨을 따라가면 라벨이 퍼지며 몇 개 군집으로 수렴하는 라벨 전파 알고리즘을 노드 색 변화와 반복별 모듈성 Q 그래프, 최종 커뮤니티 볼록 껍질로 보여주는 커뮤니티 색칠 기법으로, 네트워크에 군집 색을 입히기 전에 그 색이 어떤 알고리즘에서 나왔는지 설명할 때 쓴다.

프롬프트

Canvas 2D로 숨은 5개 군집 40노드 그래프(군집 내 0.5, 군집 간 0.025)를 포스 배치하고, 비동기 라벨 전파(매 반복 무작위 순서로 각 노드가 이웃 최빈 라벨 채택, 동률이면 현재 라벨 유지 또는 무작위)를 수렴할 때까지 미리 계산해 반복당 최대 1초, 반복 안에서는 처리 순서대로 노드 색이 바뀌게 재생해줘. 최종 커뮤니티 라벨은 크기순으로 #6E80FF·#FFC933·#FF6B5A·#4FD1B5·#B47CFF, 그 밖의 임시 라벨은 hsl(라벨×47°, 25%, 55%) 저채도 색. 오른쪽 아래에 반복별 모듈성 Q = Σ[L_c/m − (d_c/2m)²] 꺾은선(현재 점 강조), 수렴 후 커뮤니티별 볼록 껍질(lineJoin round, 패딩 7px, 알파 0.12)이 0.8초 페이드인. graphology면 louvain(graph)로 대체 가능, 12초 루프.

라이브 데모 열기 — 커뮤니티 탐지 (라벨 전파 · 모듈성 Q 상승)

에고 네트워크 (1단계 → 1.5단계 → 2단계 · 구조적 공백)

Ego network expansion: 1-step, 1.5-step (alter–alter ties), 2-step, then structural holes

  • NetworkX
  • D3
  • Canvas

한 사람(에고)을 중심에 두고 직접 연결된 지인 → 지인끼리의 연결 → 지인의 지인 순서로 펼친 뒤, 지인들이 서로 모르는 군집 사이를 에고만 잇는 구조적 공백과 Burt의 유효 크기를 표시해 "누가 중개자인가"를 보여주는 에고 중심 네트워크 기법으로, 개인 관계망·고객 추천망·인맥 분석 화면을 설계할 때 쓴다.

프롬프트

Canvas 2D로 에고(중심, 반지름 6px 흰색) 주위 반지름 36px 원에 지인 9명을 0.12초 간격 팝인(backOut)과 에고 연결 draw-on으로 놓고(0.3~1.7초), 2~3.4초에 지인 간 연결 8개(지인 4명 완전 연결에 가까운 군집, 3명 삼각형, 고립 2명)를 그려줘. 3.8~5.4초에 2단계 노드 17개를 반지름 68px에 해당 지인 각도 ±0.22rad로 펼치고(알파 0.6, 반지름 2px), 5.8초부터 2단계를 알파 0.25로 낮추며 지인 군집별 볼록 껍질(#6E80FF·#FFC933·#FF6B5A)을 띄우고 군집 사이를 에고 경유 점선 #4FD1B5로 강조. HUD에 크기 9 · 지인 간 밀도 8/36 = 0.22 · 유효 크기 9 − 2·8/9 = 7.2를 단계별로 표시하는 11초 루프. NetworkX면 nx.ego_graph(G, ego, radius=1.5) · nx.effective_size(G).

라이브 데모 열기 — 에고 네트워크 (1단계 → 1.5단계 → 2단계 · 구조적 공백)

이분 그래프 → 단일 모드 투영 (공저 네트워크 · 클리크 부풀림)

Bipartite (two-mode) graph projected to one-mode co-authorship network, with clique inflation shown

  • NetworkX
  • D3
  • Canvas

저자–논문처럼 두 종류 노드로 된 이분 그래프를 저자끼리의 공저 네트워크로 투영할 때 논문 노드가 저자들 중심으로 날아가 별 모양 연결이 저자 간 완전 연결(클리크)로 바뀌는 과정을 보여주고, 5인 공저 논문 1편이 엣지 10개를 만들어 관계를 부풀리는 함정과 공동 논문 수 가중치를 표시하는 2-모드 네트워크 시각화 기법으로, 참여·소속·구매 같은 2-모드 데이터를 관계망으로 그릴 때 쓴다.

프롬프트

Canvas 2D로 왼쪽 열에 저자 8명(x=70, 19px 간격), 오른쪽 열에 논문 6편(x=240, 24px 간격)을 놓고 저자–논문 엣지 17개를 논문별 0.35초 간격 draw-on으로 그려줘(0.3~2.6초). 3.6초부터 저자는 중심 (130,116) 반지름 58px 원으로 1.2초 easeInOutCubic 이동하고, 각 논문은 0.22초 간격으로 자기 저자들의 무게중심으로 날아가며 별 모양 엣지를 끌고 간 뒤 0.6초에 걸쳐 사라지면서 저자 간 클리크 엣지가 페이드인. 투영 엣지 굵기 = 공동 논문 수 × 1.1px, 5인 공저 논문 P6이 만든 엣지 10개는 6.8초부터 #FFC933로 강조하고 "논문 1편 → 엣지 10개" 경고. NetworkX면 nx.bipartite.weighted_projected_graph(B, authors). 12초 루프.

라이브 데모 열기 — 이분 그래프 → 단일 모드 투영 (공저 네트워크 · 클리크 부풀림)

시간 네트워크 (누적 정적 그래프 vs 시간 순서 존중 도달)

Temporal network: aggregated static graph vs time-respecting reachability in a sliding 7-day window

  • D3
  • Canvas
  • teneto
  • NetworkX

접촉 기록을 시간 없이 한 그래프로 합치면 A–B 다음에 B–C가 일어나야만 전파된다는 순서가 사라져 도달 가능한 사람 수가 과장되는 것을, 왼쪽 누적 그래프와 오른쪽 7일 창(나이에 따라 흐려지는 엣지·시간 순서를 지킨 전파)을 같은 날짜 스크러버로 나란히 재생해 비교하는 시간 네트워크 시각화 기법으로, 감염 추적·메시지 확산·거래망을 그릴 때 쓴다.

프롬프트

Canvas 2D로 20명, 30일, 접촉 45건(무작위 쌍 · 날짜)을 두 패널(각 148×136px, 같은 포스 배치)에 그려줘. 날짜 D가 0 → 30일을 8초에 linear로 진행하고, 왼쪽 "누적"은 D 이전 모든 접촉을 회색 선으로 쌓아 시작 노드에서 BFS로 닿는 노드를 #FF6B5A로, 오른쪽 "7일 창"은 (D−7, D] 접촉만 알파 = 1 − 나이/7로 그리고 시간 순서를 지킨 도달(접촉 시점에 이미 감염된 쪽에서만 전파)만 #FF6B5A + 도달 순간 0.5초 링 플래시로 표시. 아래 타임라인에 접촉 45건의 틱과 7일 브러시 창, HUD에 "D일: 누적 N명 vs 시간순 M명"을 실시간으로 보여주는 10.5초 루프.

라이브 데모 열기 — 시간 네트워크 (누적 정적 그래프 vs 시간 순서 존중 도달)

헤어볼 걸러내기 (가중치 임계 → 2-코어 → 재배치)

Taming a hairball: edge-weight threshold, k-core pruning, then re-layout of the backbone

  • Gephi
  • NetworkX
  • D3
  • Canvas

노드 60개·엣지 160여 개를 그대로 포스 배치하면 구조가 안 보이는 헤어볼이 되므로, 약한 엣지를 가중치 임계값으로 걷어내고 2-코어로 매달린 노드를 깎은 뒤 남은 골격만 다시 배치해 군집이 드러나게 하는 단계를 임계값 슬라이더 스윕과 단계별 노드·엣지 수로 보여주는 네트워크 필터링 기법으로, 큰 관계망을 처음 화면에 올릴 때 무엇을 줄일지 정할 때 쓴다.

프롬프트

Canvas 2D로 5개 군집 60노드 가중 그래프(군집 내 0.3 확률 · 가중치 0.45~1.0, 군집 간 0.045 · 가중치 0~0.6)를 전체 포스 배치한 헤어볼로 2.4초 보여준 뒤, 임계값을 0 → 0.55로 0.8초 스윕하며 가중치 미달 엣지를 페이드아웃, 4.8초에 2-코어(연결 2 미만 노드 반복 제거)로 매달린 노드를 순서대로 지우고, 7초에 남은 그래프만 forceSimulation(alpha 0.6, 이전 위치에서 시작)으로 재배치한 좌표로 1.4초 easeInOutCubic 이동해줘. 엣지 0.6px 흰색 알파 0.2(남는 엣지는 군집색 0.45), 노드 반지름 2.4px 군집색. 아래 단계 칩 4개(원본 · 가중치 ≥ 0.55 · 2-코어 · 재배치)와 HUD에 노드/엣지 수를 표시하는 12초 루프. Gephi면 Filters › Edge Weight + K-core, NetworkX면 nx.k_core(G, 2).

라이브 데모 열기 — 헤어볼 걸러내기 (가중치 임계 → 2-코어 → 재배치)

그래프 LOD (줌 아웃 = 메타 노드 · 줌 인 = 구성원 펼침)

Graph level-of-detail: clusters drawn as aggregated meta-nodes until their on-screen radius crosses a threshold

  • Sigma.js
  • D3
  • Canvas
  • Cytoscape.js

수천 노드 그래프를 줌 아웃 상태에서는 군집 하나를 크기·연결량이 반영된 메타 노드 하나로, 화면상 군집 반지름이 32px을 넘으면 구성원 노드와 내부 엣지로 교차 페이드해 펼치고 군집 간 연결도 메타 엣지(굵기 = 개수)에서 개별 엣지로 바꾸는 그래프 LOD 기법을 그리는 요소 수 카운터와 함께 보여주는 것으로, 대형 네트워크 탐색기의 줌 성능과 가독성을 동시에 잡을 때 쓴다.

프롬프트

Canvas 2D로 6개 군집 × 12노드(군집 내부 엣지 약 20개씩, 군집 간 40개)를 월드 좌표에 배치하고 카메라를 개요(배율 1.6, 2.2초) → 군집 5로 줌(배율 5, 2.4초 기하 보간) → 2.4초 유지 → 옆 군집으로 팬(1.2초) → 줌 아웃(2초)으로 움직여줘. 각 군집의 화면 반지름 rs = 14 × 배율이 32px 미만이면 메타 노드(반지름 4 + √구성원 × 1.6px, 구성원 수 라벨)와 메타 엣지(굵기 = 군집 간 엣지 수 × 0.5px), 32~46px 사이에서 교차 페이드, 그 이상이면 구성원 노드(2.2px)와 내부 엣지, 펼쳐진 군집 쪽 끝점이 구성원 위치로 이동하는 개별 엣지로 그리고, 화면 밖 요소는 컬링. HUD에 "그리는 요소 N / 전체 M"과 배율, 12초 루프. Sigma.js면 노드 reducer로 카메라 ratio에 따라 같은 규칙.

라이브 데모 열기 — 그래프 LOD (줌 아웃 = 메타 노드 · 줌 인 = 구성원 펼침)

트리 배치 3종 (정돈 트리 → 덴드로그램 → 방사형 · 라벨 뒤집기)

Tree layouts morph: d3.tree → d3.cluster → radial cluster, with the 180° label-flip rule

  • D3
  • d3.tree
  • d3.cluster
  • d3.linkRadial
  • SVG

같은 계층 데이터를 깊이마다 열을 맞추는 정돈 트리(d3.tree), 잎을 한 줄로 모으는 덴드로그램(d3.cluster), 원 둘레로 펼친 방사형으로 차례로 모핑하고, 방사형에서 왼쪽 절반 라벨이 거꾸로 서는 오류를 보여준 뒤 각도가 90°~270°이면 180° 돌리고 정렬을 뒤집는 규칙으로 고치는 트리 배치 선택 기법으로, 분류 체계·파일 구조·계통도 같은 트리를 화면 비율에 맞게 그릴 때 쓴다.

프롬프트

D3로 깊이가 다른 동물 분류 트리(루트 → 4강 → 목 → 종, 잎 13개)를 d3.tree().size([140, 220]) 가로 배치(링크 d3.linkHorizontal) 2.4초 → d3.cluster로 잎을 오른쪽 한 줄에 모으는 1초 easeInOutCubic 모핑 → 1.6초 유지 → d3.cluster().size([2π, 58]) 방사형(d3.linkRadial)으로 1.4초 모핑해줘(각 노드 좌표와 베지어 제어점을 직교·극좌표 사이 선형 보간, 라벨 회전도 0 → 각도로 보간). 방사형에서 처음 1.6초는 라벨을 각도 그대로 회전해 왼쪽 절반이 뒤집힌 상태로 두고 #FF6B5A 칩 "뒤집힌 라벨", 8초에 각도가 90°~270°인 라벨만 0.4초 동안 180° 회전 + textAnchor end로 바꾸고 #4FD1B5 칩 "180° 넘으면 뒤집기". 노드 2.2px, 잎 라벨 7px, 깊이별 색, 12초 루프.

라이브 데모 열기 — 트리 배치 3종 (정돈 트리 → 덴드로그램 → 방사형 · 라벨 뒤집기)

방향 엣지 표현 4종 (화살표 · 테이퍼 · 그라디언트 · 곡선)

Directed-edge encodings compared: arrowheads vs tapered vs colour-gradient vs clockwise-curved edges

  • D3
  • Canvas
  • SVG
  • Cytoscape.js

같은 방향 그래프를 화살촉, 출발이 굵고 도착이 가는 테이퍼, 출발→도착 색 그라디언트, 시계 방향으로 휘는 곡선 네 패널로 그려 서로 반대 방향인 쌍방 엣지가 겹칠 때 어느 표현이 방향을 잃는지 보여주고, 흐르는 점으로 정답을 확인시키는 방향 엣지 인코딩 비교 기법(Holten & van Wijk 2009 실험 결과 반영)으로, 의존성·송금·팔로우 같은 방향 네트워크의 엣지 모양을 정할 때 쓴다.

프롬프트

Canvas 2D로 노드 6개, 방향 엣지 9개(쌍방 2쌍 포함)인 같은 그래프를 2×2 패널(각 148×76px)에 그려줘. A 화살표: 직선 + 길이 5px 화살촉(쌍방은 같은 선 위에 겹침 → 겹침 표시 #FF6B5A 링), B 테이퍼: 출발 폭 3.4px → 도착 0.3px 삼각 다각형, C 그라디언트: createLinearGradient로 출발 #FF6B5A → 도착 #6E80FF 알파 0.25, D 곡선: 길이의 18%만큼 진행 방향 오른쪽으로 휘는 2차 베지어(쌍방이 자동으로 분리). 4초부터 각 엣지를 따라 흰 점(2px)이 1.4초에 출발 → 도착으로 흐르며 정답을 보여주고, HUD에 "테이퍼가 가장 빠르고 정확 · 화살표는 겹치면 모호". 9초 루프.

라이브 데모 열기 — 방향 엣지 표현 4종 (화살표 · 테이퍼 · 그라디언트 · 곡선)

노드트릭스 (빽빽한 군집은 행렬 · 성긴 연결은 노드-링크)

NodeTrix hybrid: dense communities collapsed into adjacency matrices while sparse inter-community links stay node-link

  • D3
  • Canvas
  • NodeTrix
  • Cytoscape.js

밀도가 높은 군집은 노드-링크로 그리면 선이 뭉쳐 읽히지 않고, 성긴 전체 구조는 행렬로 그리면 빈칸만 많아지므로, 군집 내부만 작은 인접 행렬로 접고 군집 사이 연결은 행렬 가장자리의 해당 행·열 위치에 붙는 노드-링크로 남겨 교차 수가 크게 줄어드는 것을 보여주는 하이브리드 표현 기법(Henry 등 2007의 NodeTrix)으로, 소셜·협업 네트워크처럼 "국소적으로 빽빽하고 전체적으로 성긴" 그래프를 그릴 때 쓴다.

프롬프트

D3 + Canvas로 밀집 군집 3개(8·7·7노드, 군집 내 연결 확률 0.7)와 느슨한 노드 8개, 군집 간 엣지 7개로 된 30노드 그래프를 포스 배치(그룹 내 linkDistance 9, 그 밖 34)로 3초 보여준 뒤, 1.6초 easeInOutCubic으로 각 군집 노드를 무게중심에 놓인 행렬(칸 5px)의 대각선 칸으로 모으면서 내부 엣지를 페이드아웃하고 행렬 칸(그룹색 #6E80FF·#FFC933·#FF6B5A)을 페이드인해줘. 군집 간 엣지의 끝점은 상대 노드 방향(|dx| > |dy|면 좌·우, 아니면 위·아래 변)의 그 노드 행·열 위치로 이동시키고, 행렬 아래에 군집 밀도 칩(예: 밀도 71%), 6.2초부터 1.2초마다 군집 간 연결을 가진 노드 하나의 행·열 띠(흰색 알파 0.12)와 그 연결선을 #FFC933로 강조. HUD에 노드-링크 교차 수 → NodeTrix 교차 수, 11초 루프.

라이브 데모 열기 — 노드트릭스 (빽빽한 군집은 행렬 · 성긴 연결은 노드-링크)

피벗그래프 (노드를 속성 격자로 집계 · 축 속성 바꾸기)

PivotGraph: nodes aggregated onto a grid of two categorical attributes, edges summed between cells, then pivoting one axis

  • D3
  • Canvas
  • Observable Plot

사내 소통망처럼 노드에 부서·직급 같은 범주 속성이 있을 때 포스 배치에서는 속성별 연결 패턴이 보이지 않지만, 노드를 (속성1 × 속성2) 격자 칸으로 모아 칸 크기 = 사람 수, 칸 사이 선 굵기 = 연결 수로 집계하면 "임원끼리만 부서를 넘나든다" 같은 패턴이 바로 읽히고 한 축을 다른 속성으로 바꾸는 피벗으로 다른 관점을 비교하는 다변량 네트워크 집계 기법(Wattenberg 2006)으로, 노드 속성이 많은 조직·고객 네트워크를 요약할 때 쓴다.

프롬프트

D3 + Canvas로 42명(부서 개발·영업·디자인 × 직급 사원·팀장·임원, 근무지 서울·부산) 소통 네트워크를 엣지 확률 0.02 + 같은 부서 0.14 + 같은 근무지 0.05 + 둘 다 팀장 이상 0.12로 만들고 부서색(#6E80FF·#FFC933·#4FD1B5)으로 포스 배치해 2.4초 보여줘. 2.4초부터 1.5초 easeInOutCubic으로 노드를 부서(x 100·184·268) × 직급(y 64·114·164) 칸에 해바라기 배열(반지름 √(i+0.5)×2.6px)로 모은 뒤 4.2초에 집계 원(반지름 3 + √명수×2.6px, 명수 숫자, 칸 내부 연결 수 = 테두리 두께)과 칸 사이 집계 엣지(굵기 0.5 + 0.45×연결 수, 2차 곡선)로 교차 페이드, 7초에 다시 노드로 풀었다가 7.4초부터 1.4초 동안 세로축을 근무지(서울 y 80 · 부산 y 152)로 피벗하고 9초에 재집계해줘. 행·열 머리글, HUD에 현재 축 조합, 12초 루프.

라이브 데모 열기 — 피벗그래프 (노드를 속성 격자로 집계 · 축 속성 바꾸기)

바이오패브릭 (노드 = 가로선 · 엣지 = 세로선)

BioFabric: every node a horizontal line, every edge a vertical segment, morphed from a node-link hairball

  • D3
  • Canvas
  • BioFabric
  • SVG

노드를 점 대신 한 행의 가로선으로, 엣지를 두 노드 행을 잇는 한 열의 세로선으로 그리면 노드-링크의 선 교차와 겹침이 사라지고 연결 수가 세로 눈금 개수로 그대로 세어지는 것을, 포스 배치에서 바이오패브릭으로 모핑한 뒤 노드 하나씩 행과 세로선을 강조하며 보여주는 선 기반 네트워크 표현 기법(Longabaugh 2012)으로, 노드 라벨을 모두 읽어야 하는 수십~수천 노드 네트워크를 그릴 때 쓴다.

프롬프트

D3 + Canvas로 두 군집 16노드 그래프(군집 내 0.38 · 간 0.06)를 포스 배치로 2.4초 보여주고, 1.6초 easeInOutCubic으로 각 노드를 행(y 44 → 184, 연결 수 최대 노드에서 시작한 BFS 순서, 같은 단계는 연결 수 내림차순)의 가로선(그 노드 첫 엣지 열 −3px ~ 마지막 엣지 열 +3px, 굵기 1.6px, 군집색)으로, 각 엣지를 (위 행, 아래 행) 순으로 정렬한 열(x 56 → 300 균등)의 세로선(흰색 알파 0.45)으로 모핑해줘. 모핑 60% 이후 엣지 양 끝에 2×2px 끝점 사각형, 왼쪽에 행 이름(7px), 5초부터 1.2초마다 노드 하나의 가로선과 그 세로선들을 #FFC933로 강조하고 HUD에 "연결 N = 세로선 N개". 시작 HUD에는 노드-링크 교차 수, 11초 루프.

라이브 데모 열기 — 바이오패브릭 (노드 = 가로선 · 엣지 = 세로선)

k-코어 껍질 분해 · 양파 배치 (연결 수 ≠ 중심부)

k-shell decomposition peeled shell by shell, then an onion (concentric coreness) layout that demotes a high-degree star hub

  • NetworkX
  • Gephi
  • D3
  • Canvas

연결 수가 2 이하인 노드부터 반복해서 깎아내는 k-코어 분해를 껍질 순서대로 재생해 각 노드의 코어 번호를 구하고, 코어 번호를 동심원 반지름(안쪽 = 가장 깊은 코어)으로 쓰는 양파 배치로 바꾸면 잎 9개를 거느려 연결 수 1위인 별 모양 허브가 사실은 바깥 껍질(코어 1)이고 연결 수가 적어도 서로 얽힌 노드가 중심부라는 것이 드러나는 네트워크 중심부 시각화 기법으로, 영향력·확산의 핵심 집단을 연결 수 대신 구조로 찾을 때 쓴다.

프롬프트

D3 + Canvas로 핵심 7노드(서로 연결 확률 0.85), 중간 13노드(핵심·중간에 2~3개씩), 잎 8개, 잎 9개를 거느린 별 허브 S로 된 38노드 그래프를 포스 배치하고 노드 반지름 = 1.6 + 0.9·√연결 수로 2.6초 보여줘. 2.6~5.4초에 k = 1부터 "연결 수 ≤ k인 노드를 반복 제거"하는 k-코어 분해를 껍질별로 재생(제거된 노드 알파 0.15, 껍질색 #2F4FA8 → #FFC933 램프)하고 최심 코어만 남긴 뒤, 5.6초부터 1.6초 easeInOutCubic으로 모든 노드를 코어 번호별 동심원(최심 코어 반지름 8px, 바깥으로 갈수록 +62/(kmax−1)px, 원래 각도 순서 유지)으로 옮겨 양파 배치를 만들어줘. 7.4초부터 오른쪽에 "S: 연결 10 · 코어 1" vs "핵심 노드: 연결 n · 코어 kmax" 비교 칩. NetworkX면 nx.core_number(G), 11초 루프.

라이브 데모 열기 — k-코어 껍질 분해 · 양파 배치 (연결 수 ≠ 중심부)

탱글그램 (두 트리 마주 놓고 가지 뒤집어 교차 줄이기)

Tanglegram: two hierarchies face to face, untangled by greedy child-order flips until only real disagreements cross

  • D3
  • Canvas
  • dendextend (R)
  • SciPy

같은 항목에 대한 두 계층 구조(두 군집 결과, 숙주–기생체 계통 등)를 좌우로 마주 놓고 같은 잎을 선으로 이으면 처음에는 선이 마구 엇갈리지만, 내부 노드의 자식 순서를 뒤집어도 트리 자체는 바뀌지 않는다는 점을 이용해 교차가 줄어드는 뒤집기만 하나씩 적용하면 남는 교차가 두 트리의 실제 위상 차이만 가리키게 되는 트리 비교 시각화 기법으로, 두 덴드로그램·분류 체계·버전 간 구조 변화를 비교할 때 쓴다.

프롬프트

D3 + Canvas로 같은 잎 10개(A~J)를 가진 두 이진 트리를 왼쪽(뿌리 x 20 → 잎 x 118)과 오른쪽(뿌리 x 300 → 잎 x 202)에 깊이 기준 ㄷ자 가지로 그리고, 잎 y = 44 + 순서 × 14.6px, 가운데 x 130~190에 같은 잎끼리 연결선을 그려줘. 오른쪽 트리는 C와 F 위치 하나만 다르고 나머지는 자식 순서만 섞인 상태로 시작해, 두 트리의 내부 노드를 앞에서부터 하나씩 뒤집어 보고 연결선 교차(잎 순서 역전 쌍 수)가 줄어들 때만 채택하는 탐욕 탐색을 미리 계산한 뒤, 1.6초부터 채택된 뒤집기를 단계당 최대 1.1초(이동 70% easeInOutCubic, 뒤집힌 노드에 #FFC933 링)로 재생해줘. 연결선은 다른 선과 교차하면 #FF6B5A, 아니면 #4FD1B5, HUD에 "교차 N → M"과 최종 "남은 교차 = 위상 차이". R이면 dendextend::untangle(method = "step2side"), 12초 루프.

라이브 데모 열기 — 탱글그램 (두 트리 마주 놓고 가지 뒤집어 교차 줄이기)

계통수 표기 규칙 (분기도 → 계통도 가지 길이 → 회전 → 무근 배치)

Phylogenetic tree conventions: cladogram vs phylogram branch lengths, node rotation invariance and the unrooted equal-angle layout

  • D3
  • Canvas
  • ggtree
  • ETE Toolkit

잎을 한 줄로 맞춘 분기도에서는 화면에서 이웃한 잎이 가까운 친척처럼 보이지만, 가지 길이를 진화 거리로 그린 계통도로 바꾸면 긴 가지가 드러나고, 내부 노드를 회전해 자식 순서를 바꿔도 같은 트리이므로 세로 인접은 근연도가 아니며, 뿌리 없는 등각 배치에서는 위아래 방향이 사라진다는 계통수 읽기 규칙을 모핑과 척도 막대, 실제 경로 거리 칩으로 보여주는 트리 표기 기법으로, 계통·언어·코드 진화 트리를 오독 없이 그릴 때 쓴다.

프롬프트

D3 + Canvas로 잎 8개(A~H)와 가지 길이가 있는 트리 ((A:0.08,B:0.10):0.06,(C:0.42,(D:0.07,E:0.09):0.12):0.04,(F:0.18,(G:0.05,H:0.06):0.30):0.05)를 먼저 분기도(d3.cluster, 잎 x 230 정렬, 잎 y 간격 18px, ㄷ자 가지)로 2.6초 보여주며 화면상 이웃 B–C의 실제 경로 거리 0.62를 #FF6B5A 칩으로, 2.6~4초에 x = 뿌리부터 누적 가지 길이 × 435px로 계통도 모핑(척도 막대 "0.1 치환/자리" 43px), 4~5.8초에 (C, (D,E)) 노드를 회전해 C와 D·E 자리를 1.2초 easeInOutCubic으로 맞바꾸며 "회전해도 같은 트리" 칩, 6.4~8초에 각 노드가 잎 수에 비례한 각도 쐐기를 받는 등각(equal-angle) 무근 배치로 ㄷ자 모서리를 부모 위치로 접으며 모핑해줘. 잎 라벨 7px, 깊이별 색, ggtree면 layout = "equal_angle", 11초 루프.

라이브 데모 열기 — 계통수 표기 규칙 (분기도 → 계통도 가지 길이 → 회전 → 무근 배치)

그래프 위 겹치는 집합 표시 (색 점 → 볼록 껍질 → 버블셋)

Overlapping set membership on a fixed node-link layout: colour dots vs convex hulls vs Bubble Sets implicit contours

  • D3
  • Canvas
  • bubblesets-js
  • d3-contour

노드 위치를 바꿀 수 없는 네트워크 위에 서로 겹치는 집합(프로젝트·팀 소속)을 표시할 때 색 점만으로는 집합 범위가 안 보이고, 볼록 껍질은 비구성원 노드까지 감싸 소속을 잘못 읽게 하지만, 구성원 주변 + 구성원 사이 최소 신장 트리 경로에 양의 에너지, 비구성원 주변에 음의 에너지를 준 등치선(버블셋)은 구성원만 감싸며 겹침도 표현하는 것을 세 단계로 보여주는 집합 오버레이 기법(Collins 등 2009)으로, 고정 배치된 그래프·지도·산점도 위에 그룹을 덧씌울 때 쓴다.

프롬프트

D3 + Canvas로 26노드 그래프를 고정 포스 배치하고, 집합 3개(구성원 7·6·6, 일부 노드는 두 집합 소속)를 세 단계로 표시해줘. A(0~3초): 노드를 소속 집합 수만큼 나눈 파이 점(반지름 3.2px, #6E80FF·#FFC933·#FF6B5A), B(3~6.5초): 집합별 볼록 껍질(lineJoin round, 패딩 7px, 알파 0.16)과 껍질 안에 들어간 비구성원 노드에 #FF6B5A 경고 링 + 개수, C(6.5초~): 4px 격자에서 에너지 = Σ구성원 (1 − d/14)² + 0.7·Σ최소신장트리 선분 (1 − d/7)² − 1.2·Σ비구성원 (1 − d/8)²를 계산해 임계값 0.3 등치선을 마칭 스퀘어(선형 보간)로 채우고(알파 0.22) 외곽선 1px. 단계 전환은 0.5초 교차 페이드, 엣지 흰색 알파 0.15, HUD에 단계 이름과 "껍질 안 비구성원 N개 → 0". d3-contour면 contours().thresholds([0.3]), 11초 루프.

라이브 데모 열기 — 그래프 위 겹치는 집합 표시 (색 점 → 볼록 껍질 → 버블셋)

네트워크 견고성 (무작위 고장 vs 허브 표적 공격 · 거대 성분 곡선)

Network robustness: random node failures vs targeted hub attack on a scale-free graph, with the giant-component curve S(f)

  • NetworkX
  • D3
  • Canvas

허브가 있는 척도 없는(scale-free) 네트워크에서 노드를 무작위로 지우면 30%를 지워도 대부분이 하나로 이어져 있지만, 연결 수가 많은 노드부터 지우면 몇 %만에 산산조각 나는 것을 같은 네트워크에 두 번 재생하고, 지운 비율 f에 따른 거대 연결 성분 크기 S(f) 곡선 두 개를 나란히 그려 비교하는 네트워크 견고성 시각화 기법(Albert–Jeong–Barabási 2000)으로, 인프라·공급망·조직의 취약점을 설명할 때 쓴다.

프롬프트

D3 + Canvas로 바라바시–앨버트 선호 연결(새 노드당 엣지 2개) 60노드 그래프를 왼쪽 패널(150×150px)에 포스 배치하고 노드 반지름 = 1.4 + 0.55·√연결 수로 그려줘. 0.6~4.8초에 무작위 순서로 노드를 하나씩 지워 40%(24개)까지, 6.2~10.4초에 같은 원본에서 초기 연결 수 내림차순(허브 먼저)으로 24개를 지우며, 거대 성분 노드는 무작위 단계 #6E80FF · 공격 단계 #FF6B5A, 떨어져 나간 조각은 #454B5E, 지워진 노드는 빈 원(알파 0.3)으로 표시. 오른쪽에 x = 지운 비율 f(0~0.4), y = 거대 성분 비율 S 그래프를 그리고 현재 단계 곡선을 진행에 맞춰 그리며 끝에 "무작위"·"허브 공격" 라벨. 거대 성분은 단계마다 BFS(nx.connected_components)로 미리 계산, HUD에 "f = 20% → S = 0.78", 12초 루프.

라이브 데모 열기 — 네트워크 견고성 (무작위 고장 vs 허브 표적 공격 · 거대 성분 곡선)

배치 품질 검증 (포스 vs 스트레스 다수화 · 셰퍼드 도표)

Layout faithfulness: force-directed vs stress-majorization layout judged on a Shepard diagram of graph vs screen distance

  • d3-force
  • Canvas
  • Graphviz neato
  • NetworkX

포스 배치는 보기 좋지만 화면 거리가 그래프 최단 경로 거리와 얼마나 맞는지는 보장하지 않으므로, 군집·사슬·고리가 섞인 그래프를 포스와 스트레스 다수화(SMACOF, 가중치 d⁻²)로 각각 배치해 모핑하고, 모든 노드 쌍의 그래프 거리 대비 화면 거리 산점도(셰퍼드 도표)와 정규화 스트레스 값으로 어느 배치가 거리를 정직하게 보여주는지 판정하는 배치 품질 검증 기법으로, 네트워크 그림에서 "멀리 떨어져 보이면 정말 먼가"를 확인할 때 쓴다.

프롬프트

Canvas 2D로 밀집 군집 10노드(연결 0.8) + 12노드 사슬 + 10노드 고리를 이은 32노드 그래프를 왼쪽 패널에 그려줘. 처음 3초는 d3-force(charge −30, linkDistance 14, forceX/Y 0.08) 배치, 3.2~4.8초에 1.6초 easeInOutCubic으로 스트레스 다수화 배치(BFS 최단 거리 d_ij, 가중치 d⁻², 국소 Gauss–Seidel 갱신 300회, 포스 배치로 초기화, 프로크루스테스 회전·반사로 정렬)로 모핑해줘. 오른쪽 셰퍼드 도표(102×124px)에 496개 노드 쌍을 x = 그래프 거리, y = α·화면 거리(α = Σw d D / Σw D²) 점(1.4px, 흰색 알파 0.5, x ±1.5px 지터)으로 찍고 y = x 대각선(#FFC933)을 그려 점이 대각선으로 모이는 것을 보여주고, HUD에 정규화 스트레스 Σw(αD − d)² / Σw d²를 실시간 보간. Graphviz면 neato -Gmode=major, 10초 루프.

라이브 데모 열기 — 배치 품질 검증 (포스 vs 스트레스 다수화 · 셰퍼드 도표)

그룹-인-어-박스 배치 (트리맵 칸마다 군집 하나)

Group-in-a-Box layout: communities placed in squarified treemap cells sized by group size, each laid out inside its own box

  • NodeXL
  • D3
  • Canvas

군집 크기가 제각각인 네트워크를 한 번에 포스 배치하면 큰 군집이 화면을 차지하고 작은 군집은 사이에 끼거나 가장자리로 밀려 다른 군집 영역과 겹치지만, 군집 크기에 비례한 스퀘어리파이드 트리맵 칸을 먼저 나누고 칸마다 그 군집만 따로 배치하면 군집 면적이 크기에 비례하고 겹침이 0이 되는 것을 모핑으로 보여주는 군집 배치 기법(Rodrigues 등 2011, NodeXL)으로, 커뮤니티 탐지 결과를 보고서·대시보드에 정돈해서 보여줄 때 쓴다.

프롬프트

D3 + Canvas로 크기 20·12·8·6·4인 5개 커뮤니티 50노드 그래프(군집 내 0.2, 간 0.012)를 전체 포스 배치로 3초 보여주며 다른 군집의 볼록 껍질 안에 들어간 노드 수를 HUD에 표시해줘. 3초부터 1.6초 easeInOutCubic으로 300×152px 영역을 스퀘어리파이드 트리맵(d3.treemapSquarify, 칸 면적 ∝ 군집 크기)으로 나눈 칸 안으로 노드를 옮기는데, 칸마다 그 군집만 forceSimulation(charge −20, linkDistance 12, 200틱)으로 미리 배치해 패딩 9px(위 13px)로 맞추고, 칸 테두리(군집색 알파 0.5)와 "A · 20명" 라벨을 페이드인. 군집 내부 엣지는 군집색 알파 0.4, 군집 간 엣지는 흰색 알파 0.12 → 0.07로 낮추고, HUD에 "다른 군집 영역 침범 N → 0 · 면적 ∝ 크기", 10초 루프.

라이브 데모 열기 — 그룹-인-어-박스 배치 (트리맵 칸마다 군집 하나)

두 시점 네트워크 비교 (독립 배치 → 공통 좌표 → 차이 겹쳐 보기)

Comparing two network snapshots: independent layouts vs a shared union layout vs one superimposed diff view

  • D3
  • Canvas
  • Gephi
  • NetworkX

1분기와 2분기 협업 네트워크처럼 두 시점 그래프를 각자 포스 배치해 나란히 놓으면 노드 위치가 달라 무엇이 바뀌었는지 찾을 수 없지만, 두 그래프의 합집합으로 한 번만 배치한 공통 좌표를 쓰면 바로 비교되고, 다시 한 장에 겹쳐 유지(회색)·추가(초록 굵게)·삭제(빨강 점선)·신규·이탈 노드를 인코딩하면 변화량이 숫자로까지 읽히는 네트워크 비교 기법으로, 조직 개편·의존성 업데이트·관계 변화 리포트를 만들 때 쓴다.

프롬프트

D3 + Canvas로 22노드 협업 그래프 T1(세 팀, 팀 내 0.42 · 간 0.04)과, 엣지 6개 삭제 · 노드 1개 이탈 · 신규 노드 2개(각 2~3개 연결) · 기존 노드 간 엣지 5개 추가한 T2를 만들어줘. A(0~3초): 왼쪽(146×146px) T1, 오른쪽 T2를 각자 forceSimulation으로 독립 배치, B(3~4.6초): 두 패널 모두 합집합 그래프의 한 배치(같은 좌표)로 1.6초 easeInOutCubic 모핑, C(6.2~7.6초): 오른쪽 패널을 페이드아웃하며 왼쪽 패널을 가운데 큰 패널(200×148px)로 옮겨 차이를 겹쳐 표시 — 유지 엣지 흰색 알파 0.3, 추가 #4FD1B5 1.4px, 삭제 #FF6B5A 점선 [3,2], 신규 노드 #4FD1B5 링, 이탈 노드 #FF6B5A 빈 원. 아래 칩 "+N 엣지 · −M 엣지 · +2 / −1 노드", 12초 루프.

라이브 데모 열기 — 두 시점 네트워크 비교 (독립 배치 → 공통 좌표 → 차이 겹쳐 보기)

성장하는 네트워크의 배치 안정성 (매번 새로 배치 vs 이전 좌표 고정)

Dynamic graph drawing and the mental map: re-layout from scratch per snapshot vs anchored incremental layout

  • d3-force
  • Canvas
  • Gephi
  • graphology

시간에 따라 노드가 늘어나는 네트워크를 스냅샷마다 처음부터 다시 배치하면 같은 노드가 매번 엉뚱한 곳으로 튀어 사용자가 머릿속 지도를 잃지만, 이전 스냅샷 좌표에서 시작해 낮은 alpha로만 다시 데우고 새 노드는 이웃 근처에 넣으면 기존 노드는 거의 움직이지 않고 새 부분만 자라는 것을 두 패널 동시 재생과 전환당 평균 이동 거리로 비교하는 동적 그래프 배치 기법으로, 실시간 갱신되는 관계망·의존성 그래프 화면을 만들 때 쓴다.

프롬프트

d3-force + Canvas로 노드가 10 → 15 → 20 → 25 → 29 → 32개로 자라는 6개 스냅샷(새 노드는 기존 노드 1~2개에 연결, 스냅샷마다 기존 노드 간 엣지 1~2개 추가)을 두 패널(각 146×138px)에 1.6초 간격으로 재생해줘. 왼쪽 "매번 새로 배치": 스냅샷마다 무작위 초기 위치에서 alpha 1로 240틱, 화면 맞춤도 매번 다시. 오른쪽 "이전 좌표 + α 0.3": 직전 좌표에서 시작해 alpha 0.3으로 120틱, 새 노드는 이웃 평균 위치 ±4에서 시작, 화면 맞춤은 전체 스냅샷 공통 한 번. 전환은 0.7초 easeInOutCubic(기존 노드), 새 노드는 backOut 팝인 + #FFC933 링, 패널 아래에 이번 전환의 기존 노드 평균 이동 px(나쁨 #FF6B5A · 좋음 #4FD1B5), HUD에 누적 이동 비교. 11초 루프.

라이브 데모 열기 — 성장하는 네트워크의 배치 안정성 (매번 새로 배치 vs 이전 좌표 고정)

쌍곡 트리 브라우저 (포앵카레 원판 · 초점 이동)

Hyperbolic tree browser: a 65-node hierarchy on the Poincaré disk, refocused by Möbius transforms

  • D3
  • Canvas
  • d3-hypertree

계층이 깊고 넓은 트리를 쌍곡 평면에 펼친 뒤 포앵카레 원판에 투영하면 초점 노드 주변은 크게, 가장자리로 갈수록 지수적으로 작게 보여 전체 맥락을 잃지 않고 한 부분을 볼 수 있고, 다른 노드를 클릭하면 뫼비우스 변환으로 원판 전체가 미끄러지며 그 노드가 중심으로 오는 것을 루트 → 하위 → 잎 → 루트 경로로 재생하는 초점+맥락 트리 탐색 기법(Lamping·Rao 1995)으로, 수백 노드 분류 체계·사이트맵·파일 트리를 한 화면에서 탐색하게 할 때 쓴다.

프롬프트

D3 + Canvas로 루트 → 5개 분야(A~E) → 분야당 3~4개 → 각 2~3개 잎, 약 65노드 트리를 쌍곡 거리 = 깊이 × 1.3, 각도 = 잎 수 비례 쐐기로 놓고 z = tanh(r/2)·e^{iθ}로 반지름 80px 포앵카레 원판에 투영해줘. 초점을 루트 → B → B2 → B2-1 → 루트로 2.6초마다 이동하되 각 이동은 1.3초 easeInOutCubic으로, 현재 변환을 적용한 공간에서 다음 초점 w까지의 측지선 b(u) = tanh(u·artanh|w|)·w/|w|를 따라 z ↦ (z − b)/(1 − b̄z) 뫼비우스 변환을 합성해 원판 전체가 미끄러지게 해줘. 노드 반지름 = 0.5 + 4.6·(1 − |z|²), 엣지 알파도 같은 비율, 분야색 5종, (1 − |z|²) > 0.5인 노드만 라벨(6 + 3·값 px), 다음 초점에 #FFC933 링, HUD에 경로 브레드크럼. 11.6초 루프.

라이브 데모 열기 — 쌍곡 트리 브라우저 (포앵카레 원판 · 초점 이동)

DAG 추이적 축약 (돌아가는 경로가 있는 엣지 걷어내기)

Transitive reduction of a dependency DAG: each redundant edge proven by its alternative path, then removed with reachability unchanged

  • Graphviz tred
  • D3
  • Canvas
  • NetworkX

패키지 의존성처럼 방향 비순환 그래프(DAG)에 "app → core"처럼 다른 경로(app → api → db → log → core)로 이미 도달 가능한 엣지가 섞여 있으면 긴 엣지들이 층을 가로질러 그림을 어지럽히므로, 각 중복 엣지를 빨강으로, 그것을 대신하는 우회 경로를 노랑으로 차례로 보여준 뒤 지워 엣지 수는 줄고 도달 가능한 쌍 수는 그대로인 최소 그래프를 만드는 추이적 축약 기법으로, 의존성·선수 과목·작업 순서도를 깔끔하게 그릴 때 쓴다.

프롬프트

D3 + Canvas로 패키지 12개(app · ui · api · auth · db · cache · http · util · crypto · log · json · core)와 엣지 24개(필수 15 + 우회 경로가 있는 중복 9)의 DAG를 최장 경로 순위로 5개 열(x 30 · 95 · 160 · 225 · 290)에 놓고 열 안은 이웃 무게중심 순으로 정렬해 둥근 칩(라벨 6.5px)으로 그려줘. 엣지는 왼쪽 → 오른쪽 3차 베지어(흰색 알파 0.35)로 2.4초 보여준 뒤, 2.4~7.8초에 중복 엣지 9개를 0.6초 간격으로 하나씩 #FF6B5A 1.6px로 강조하고 동시에 그 엣지를 뺀 그래프에서 BFS로 찾은 우회 경로를 #FFC933로 빛낸 다음 0.35초에 걸쳐 지워줘. HUD에 "엣지 24 → 15 · 도달 가능한 쌍 N개 그대로", Graphviz면 tred deps.dot | dot -Tsvg, NetworkX면 nx.transitive_reduction(G). 12초 루프.

라이브 데모 열기 — DAG 추이적 축약 (돌아가는 경로가 있는 엣지 걷어내기)

작은 세상 네트워크 (재연결 확률 p 스윕 · C(p)와 L(p))

Watts–Strogatz small world: sweeping the rewiring probability p on a ring lattice with live clustering C(p) and path length L(p)

  • NetworkX
  • D3
  • Canvas

이웃끼리만 연결된 고리 격자에서 엣지를 확률 p로 무작위 재연결할 때 p가 0.01 근처만 돼도 몇 개의 지름길 덕분에 평균 최단 거리 L은 급격히 줄지만 군집 계수 C는 거의 그대로인 "작은 세상" 구간이 생기는 것을, 원형 배치의 재연결 엣지와 로그 p 축의 C(p)/C(0)·L(p)/L(0) 곡선을 함께 움직여 보여주는 네트워크 모델 시각화 기법(Watts–Strogatz 1998)으로, 지름길 하나가 전파 속도를 바꾸는 이유를 설명할 때 쓴다.

프롬프트

D3 + Canvas로 80노드 고리 격자(각 노드가 양쪽 2개씩, k = 4, 엣지 160개)를 반지름 64px 원 위에 놓고, 엣지마다 고정 난수 u와 재연결 대상(자기 자신·격자 이웃 제외)을 미리 정해 u < p인 엣지만 재연결되게 해줘. p를 0.001 → 1까지 로그 스케일로 8초(0.6~8.6초) 동안 올리며 재연결 엣지는 #FFC933 직선 현, 격자 엣지는 흰색 알파 0.3, 오른쪽 그래프(x = log₁₀p, −3~0)에 미리 계산한 C(p)/C(0)(#4FD1B5)와 L(p)/L(0)(#FF6B5A) 곡선과 현재 p 세로선·점, C/C₀ > 0.75이면서 L/L₀ < 0.6인 구간을 연한 띠 "작은 세상"으로 표시. C = 평균 국소 군집 계수, L = BFS 평균 최단 거리, HUD에 p · C · L 실시간 표시. NetworkX면 nx.watts_strogatz_graph(80, 4, p, seed), 11초 루프.

라이브 데모 열기 — 작은 세상 네트워크 (재연결 확률 p 스윕 · C(p)와 L(p))

다층(멀티플렉스) 네트워크 (관계 종류별 평면 쌓기 · 층 간 결합선)

Multiplex network: relation-type layers stacked as oblique planes with inter-layer coupling lines and per-layer degree bars

  • D3
  • Canvas
  • MuxViz
  • pymnet

같은 사람들 사이에 업무·메신저·점심처럼 관계 종류가 여러 개일 때 모든 관계를 한 장에 포갠 그래프는 "누구와 얼마나 자주"만 남기고 관계의 종류를 지우지만, 층마다 같은 노드 배치를 유지한 평면을 비스듬히 쌓고 같은 사람의 층별 복사본을 세로 점선으로 이으면 업무 중심 인물과 비공식 연결 중심 인물이 다르다는 것이 보이는 다층 네트워크 시각화 기법(Kivelä 등 2014)으로, 관계 유형이 여러 개인 조직·교통·소셜 데이터를 분석할 때 쓴다.

프롬프트

D3 + Canvas로 14명에 대해 업무(두 팀 내부 0.45 + 팀 간 0.04, #6E80FF), 메신저(무작위 0.18, #FFC933), 점심(작은 친구 묶음 3~4개, #4FD1B5) 3개 층 엣지를 만들고, 합집합 그래프의 포스 배치 좌표(u, v ∈ 0~1)를 모든 층에 공유해줘. 처음 2.6초는 합친 그래프(엣지 굵기 = 겹친 층 수 × 0.9px, 흰색 알파 0.5), 2.6초부터 1.4초 easeInOutCubic으로 층별 평면 x = 34 + u·136 + v·46, y = 48 + 층 × 50 + v·34의 평행사변형 3장으로 분리(평면 테두리 알파 0.35, 오른쪽 층 이름). 4.4초부터 1.9초마다 노드 하나를 골라 세 복사본을 흰 점선으로 잇고 그 노드의 층별 엣지만 1.4px로 강조, 나머지 알파 0.12, 오른쪽에 층별 연결 수 막대와 "합치면 N명(중복 M)". 11초 루프.

라이브 데모 열기 — 다층(멀티플렉스) 네트워크 (관계 종류별 평면 쌓기 · 층 간 결합선)