我怎样才能收集“文件”；ids"；使用NetLogo行为空间的定向链接的数量？

我们在NetLogo模型中存储了大量数据作为链接属性。当我使用行为空间设计实验和指导数据收集时，我指定要提取的“[链接属性]”。但是，在CSV文件中，我看不到链接的id，这是理解数据的关键。如何在结果中收集链接ID？据我所知，没有任何原语可以启用此命令。

与补丁一样，链接由两个数字标识，这两个数字是两端的who编号。您可以保存链接的字符串表示形式（例如，（链接0 1））或将数字提取为列表（或单独）。例如：

---

每当您想使用BehaviorSpace从各个代理（包括链接）中提取信息时，一个很好的方法就是使用

csv

扩展，如下面的回答所述：

一般的想法是，我们可以将csv嵌入到我们的csv中，然后使用R（或Python或Julia或其他）中类似于读取csv的函数从我们的BehaviorSpace结果中提取“内部csv”

在链接的情况下，最好包含链接每一端的

who

编号，以便对其进行唯一标识。（这是我主张使用

who

号码做任何事情的极少数案例之一。）

让我们以这个愚蠢的模型为例：

extensions [ csv ]
links-own [ attribute ]

to setup
  clear-all
  create-turtles 3 [
    create-links-with other turtles [
      set attribute random-float 1
    ]
  ]
  reset-ticks
end

to go
  ask links [ set attribute attribute * 0.5 ]
  tick
end

它只是创建了三只海龟，它们之间有链接，将链接的

属性设置为一个随机数，并随着模型的滴答声重复将该数字减半

为了生成我们将嵌入到BehaviorSpace结果中的csv，我们编写了以下报告程序：

to-report link-attributes-csv
  report csv:to-string
    fput ["who1" "who2" "attribute" ] 
    [ (list [ who ] of end1 [ who ] of end2 attribute) ] of links
end

如果您在运行
安装程序
后在命令中心试用，它将输出如下内容：

observer> setup
observer> print link-attributes-csv
who1,who2,attribute
0,1,0.9409784968740699
1,2,0.9079884204004846
0,2,0.9070292656950991

# A tibble: 18 x 5
   `[run number]` `[step]`  who1  who2 attribute
            <dbl>    <dbl> <dbl> <dbl>     <dbl>
 1              1        0     1     2    0.157 
 2              1        0     0     2    0.401 
 3              1        0     0     1    0.349 
 4              2        0     0     1    0.283 
 5              2        0     1     2    0.277 
 6              2        0     0     2    0.522 
 7              2        1     0     1    0.142 
 8              2        1     0     2    0.261 
 9              2        1     1     2    0.139 
10              1        1     0     2    0.200 
11              1        1     1     2    0.0784
12              1        1     0     1    0.174 
13              1        2     1     2    0.0392
14              1        2     0     2    0.100 
15              1        2     0     1    0.0872
16              2        2     1     2    0.0693
17              2        2     0     1    0.0708
18              2        2     0     2    0.131 

如您所见，我们有一个整洁的小csv表，其中每一行代表一个特定的链接，由它所连接的海龟的数量来标识

因为这个报告器报告了一个字符串（这个字符串包含换行符是可以的），所以我们可以直接在BehaviorSpace实验中使用它：


运行此实验（使用“表输出”）将生成以下输出文件：

"BehaviorSpace results (NetLogo 6.1.1)"
"link-attributes-example.nlogo"
"experiment"
"10/16/2019 11:00:12:495 +0100"
"min-pxcor","max-pxcor","min-pycor","max-pycor"
"-16","16","-16","16"
"[run number]","[step]","link-attributes"
"1","0","who1,who2,attribute
1,2,0.15670083797389645
0,2,0.40055350697928993
0,1,0.34892645306446335"
"2","0","who1,who2,attribute
0,1,0.2831244347856665
1,2,0.27721328746715357
0,2,0.5221352362751627"
"2","1","who1,who2,attribute
0,1,0.14156221739283326
0,2,0.26106761813758134
1,2,0.13860664373357678"
"1","1","who1,who2,attribute
0,2,0.20027675348964497
1,2,0.07835041898694822
0,1,0.17446322653223167"
"1","2","who1,who2,attribute
1,2,0.03917520949347411
0,2,0.10013837674482248
0,1,0.08723161326611584"
"2","2","who1,who2,attribute
1,2,0.06930332186678839
0,1,0.07078110869641663
0,2,0.13053380906879067"

所有的换行看起来有点奇怪，但是你的数据分析工具应该能够处理这个问题。下面是如何使用R和Tidyverse处理此问题：

library(tidyverse)
df <-
  read_csv("experiment-table.csv", skip = 6) %>%
  mutate(`link-attributes` = map(`link-attributes`, read_csv)) %>%
  unnest()

我希望这有帮助

# A tibble: 18 x 5
   `[run number]` `[step]`  who1  who2 attribute
            <dbl>    <dbl> <dbl> <dbl>     <dbl>
 1              1        0     1     2    0.157 
 2              1        0     0     2    0.401 
 3              1        0     0     1    0.349 
 4              2        0     0     1    0.283 
 5              2        0     1     2    0.277 
 6              2        0     0     2    0.522 
 7              2        1     0     1    0.142 
 8              2        1     0     2    0.261 
 9              2        1     1     2    0.139 
10              1        1     0     2    0.200 
11              1        1     1     2    0.0784
12              1        1     0     1    0.174 
13              1        2     1     2    0.0392
14              1        2     0     2    0.100 
15              1        2     0     1    0.0872
16              2        2     1     2    0.0693
17              2        2     0     1    0.0708
18              2        2     0     2    0.131