企业官网建设流程全解析

简介：IBM i2 Analyst's Notebook 8.91 是一款面向情报分析、犯罪调查、金融反欺诈与网络安全领域从业者的数据挖掘与可视化工具，适合具备一定分析基础、需要处理海量关联数据的分析师与调查人员。它通过图形化网络图呈现实体关系，内置关联分析算法与多条件智能搜索，支持 CSV、Excel、XML 等格式导入整合，并提供协作共享、自定义模板、工作流管理、版本回溯与隐私保护等能力，帮助用户从复杂数据中识别模式、趋势与异常。资源包共 42 个文件，以 exe 安装程序、htm 安装向导页面、pdf 用户指南与发布说明、msu 系统补丁及 dll、xml 配置为主，压缩包约 443.77MB，内含无需加密狗的 i2forfree 版本，并附带培训教材与快速入门文档，便于快速部署与上手。目前已有 4662 人学习下载，适合希望系统掌握情报关联分析流程、搭建可视化研判环境的读者参考使用。

1. 从一张关系图说起：i2 Analyst's Notebook 8.91 到底解决什么问题

很多做数据分析的同行第一次接触 i2 Analyst's Notebook 8.91，都是被一张密密麻麻的关系图逼出来的。线索散在通话记录、转账流水、出行台账、聊天摘要里，用表格翻三天也看不出谁和谁是一伙的。这个工具的核心价值，就是把实体和关系变成可交互的图，让你用眼睛顺着连线找结构，而不是用 SQL 一行行猜。它适合谁？做案件梳理、反欺诈分析、供应链溯源、内部审计的从业者，尤其是那些手里数据量不算大、但关系复杂度高、需要向非技术决策者讲清楚的人。8.91 这个版本号意味着它属于较成熟的桌面分析套件，重点不在采集，而在导入、建模、布局和导出这条链路上。下面我按实际落地顺序，把选型理由、导入配置、布局参数和踩坑点拆开讲。

2. 导入前的数据准备：把 CSV 和 Excel 变成可分析的实体关系

2.1 为什么先做数据清洗而不是直接拖进 i2

i2 Analyst's Notebook 8.91 的导入向导很宽容，CSV、Excel、文本都能读，但宽容不等于省事。我见过太多人把原始流水直接拖进去，结果生成几千个孤立节点，图上一团乱麻，最后怪工具不好用。真正的问题在数据层：同一个手机号有带区号和不带区号两种写法，同一个人的名字有全角和半角差异，时间戳格式混着2024/1/5和2024-01-05。这些在表格里只是显示差异，到了图里就是两个完全不同的实体，关系自然连不起来。

常见做法是先在外部把数据整理成两张表：一张实体表，一张关系表。实体表至少包含唯一标识、类型、显示名称；关系表包含起点标识、终点标识、关系类型、时间、权重。这一步用 Python 的 pandas 做最顺手，因为后面导入时字段映射会清晰很多。不要指望 i2 在导入阶段帮你做模糊匹配，它的强项是图分析，不是数据清洗。

2.2 用 pandas 生成标准实体表和关系表

下面这段代码把一份模拟的通话记录整理成 i2 能直接识别的两个 CSV。注意字段命名尽量用英文，避免中文列名在某些导入模板里出现编码问题。

import pandas as pd # 模拟原始通话记录：主叫、被叫、通话时间、时长（秒） raw = pd.read_csv("raw_calls.csv", encoding="utf-8") # 统一手机号格式：去掉空格、横线，补全国码前缀 def normalize_phone(x): if pd.isna(x): return None s = str(x).replace(" ", "").replace("-", "") if s.startswith("0"): s = "+86" + s[1:] # 模拟场景：去掉前导0再加国码 return s raw["caller"] = raw["caller"].apply(normalize_phone) raw["callee"] = raw["callee"].apply(normalize_phone) # 实体表：所有出现过的号码，去重后给一个类型标签 entities = pd.concat([raw["caller"], raw["callee"]]).dropna().unique() entity_df = pd.DataFrame({ "EntityID": entities, "EntityType": "Phone", "Label": entities }) entity_df.to_csv("entities.csv", index=False, encoding="utf-8-sig") # 关系表：每一通电话是一条边，带上时间和时长作为属性 relation_df = raw.rename(columns={ "caller": "SourceID", "callee": "TargetID", "duration": "Weight" })[["SourceID", "TargetID", "call_time", "Weight"]] relation_df["LinkType"] = "Call" relation_df.to_csv("relations.csv", index=False, encoding="utf-8-sig") print("实体数:", len(entity_df), "关系数:", len(relation_df))

逻辑说明：normalize_phone负责把号码统一成同一种写法，这是避免孤立节点的关键。实体表用EntityID作为唯一键，EntityType给后续按类型着色留出空间。关系表里SourceID和TargetID必须和实体表的EntityID完全一致，否则导入后会出现悬空边。Weight字段可以映射成连线粗细，call_time可以映射成时间轴属性。

参数说明：encoding="utf-8-sig"是为了让 Excel 直接打开不乱码，i2 导入时选 UTF-8 也能正常读。如果你的数据里有中文标签，建议保留utf-8-sig，省得在导入向导里反复调编码。Weight如果全是 1，可以省略，但保留它能让后续按通话时长过滤更灵活。

2.3 导入向导里三个必须手动改的映射项

打开 i2 Analyst's Notebook 8.91，选择导入电子表格，向导会一步步问字段含义。这里有三处默认值容易翻车。第一，实体类型默认可能是Unknown，要手动改成Phone或Person，否则后面按类型筛选时找不到。第二，关系方向默认是单向，如果你的数据是双向通话，要勾选双向或导入两次反向边，不然图上的箭头会误导判断。第三，日期字段如果被识别成字符串，时间轴功能就用不了，要在映射时指定日期格式，常见做法是yyyy-MM-dd HH:mm:ss。

导入完成后先别急着布局，用Ctrl+A全选，看右下角统计的节点数和边数是否和 CSV 行数对得上。对不上就回到映射步骤查，多半是某个字段被当成了空值。

3. 布局与视觉编码：让关系图从毛线团变成可读结构

3.1 什么时候用环形布局，什么时候用层次布局

布局不是越自动越好。i2 内置的布局算法有十几种，最常用的是环形、层次、分组和力导向。环形布局适合展示一个核心节点和周围一圈联系人的场景，比如一个号码和多个号码的通话，视觉上中心突出。层次布局适合有明确上下级或资金流向的场景，比如转账链路，它会按方向把节点排成一层层。力导向布局适合没有明确中心、关系网密集的场景，但它计算量大，节点超过两千个就会明显卡顿。

我的习惯是：先用力导向看整体聚类，发现明显团伙后再切到环形或分组布局做局部展示。不要一上来就追求完美布局，先让图能看，再调参数。

3.2 按权重和类型做视觉编码的具体参数

视觉编码决定了图能不能一眼看懂。在 i2 里，选中节点或边，右键打开属性，可以按字段设置颜色、大小、图标。下面这张表是我常用的映射方案，针对通话数据。

设置节点大小时，如果直接用Weight求和，会出现超级节点把其他节点挤到角落的情况。常见做法是对权重取对数，或者设置一个上限。i2 的属性映射里没有内置对数函数，我一般先在 pandas 里算好一列SizeScore，取log1p(Weight)再导入。

3.3 用条件格式高亮关键节点

图大了之后，靠肉眼找关键节点不现实。i2 支持按属性做条件格式，比如把通话次数超过 50 的节点标红，把只出现一次的节点调成灰色。操作路径是：选择节点，打开Format菜单，选Conditional Formatting，新建规则，字段选Degree或你导入的权重列，条件设大于阈值，格式设成红色边框加粗。

这里有个细节：Degree是 i2 根据边自动算的度数，不需要你提前在 CSV 里准备。但如果你导入的是有向边，Degree默认算的是入度加出度，想单独看入度要在规则里选InDegree。这个区别在分析资金归集时很关键，出度大的是分散转账，入度大的是归集账户。

4. 避坑与排查：导入和布局阶段最常见的五个翻车点

4.1 导入后节点全是孤立点，边一条都没有

现象：CSV 明明有几千行关系，导入后图上只有一堆散点，统计面板显示边数为零。原因：关系表里的SourceID和TargetID与实体表的EntityID存在不可见字符差异，比如尾部空格、全角冒号、BOM 头。解决：在 pandas 里对两边的 ID 列统一执行str.strip()，并检查是否有\ufeff残留。导入前用set(relations.SourceID) - set(entities.EntityID)看差集，差集为空再导入。

4.2 中文标签显示成方块或乱码

现象：节点上本该显示中文姓名，结果全是问号或方块。原因：CSV 编码和 i2 读取编码不一致，常见是文件存成了 GBK，而导入时选了 UTF-8。解决：统一用utf-8-sig保存，导入向导里编码选 UTF-8。如果已经导入且不想重来，可以在 i2 里改字体，换成支持中文的字体，但编码问题导致的乱码改字体也救不回来，只能重新导入。

4.3 力导向布局跑到一半卡死

现象：点击力导向布局后进度条不动，程序无响应。原因：节点数超过软件舒适区，或者存在大量双向边导致迭代不收敛。解决：先按度数过滤，只保留度数大于 2 的节点做布局，把一度节点隐藏。另一个办法是先用环形布局快速出图，再对局部子图用力导向。i2 8.91 对单次布局的节点数没有硬性提示，但经验值是超过三千就分块处理。

4.4 时间轴滑块拖不动或日期全挤在一起

现象：时间轴范围从 1970 年到 2099 年，所有边挤在一个点上。原因：日期字段被识别成文本，i2 按字符串排序，或者有空日期被当成了默认值。解决：回到导入映射，把日期列显式指定为日期类型，格式选yyyy-MM-dd HH:mm:ss。如果数据里有空日期，在 pandas 里先填充一个合理默认值或直接删除该行，不要让空值进入时间轴。

4.5 导出图片后分辨率太低，打印看不清

现象：屏幕上看着清晰的图，导出 PNG 后放大就模糊，节点标签糊成一团。原因：导出时用了屏幕分辨率，没有设置输出尺寸。解决：导出对话框里选Custom Size，把宽度设成 3000 像素以上，DPI 设 300。如果图特别大，分区域导出再拼接，比一张巨图更实用。另外，导出前把不重要的节点标签关掉，只留关键节点，否则再高的分辨率也救不了信息过载。

5. 进阶技巧：用子图、时间窗和导出模板做可复现的分析

5.1 把大图拆成可复现的子图

分析做到后期，图会越来越大，直接展示给决策者效果很差。我的做法是按时间窗和关系类型拆子图。比如先按周切分，看每周新增的联系；再按关系类型切分，只看转账不看通话。i2 里可以用Select菜单下的Select by Attribute做条件选择，选中后右键Create Subgraph，生成一个新的图表窗口。子图继承原图的布局和格式，但只包含选中的节点和边。

这个操作的好处是可复现：你把筛选条件记下来，下次数据更新后重新跑一遍，得到的子图结构一致，方便对比。建议把筛选条件写在一个文本文件里，比如「LinkType = Transfer AND Weight > 10000 AND call_time between 2024-01-01 and 2024-03-31」，下次直接照着选。

5.2 用时间窗动画看关系演变

i2 的时间轴不只是过滤器，还能做动画。开启时间轴后，点击播放按钮，图会按时间顺序逐条显示边。这个功能在展示资金归集过程时特别有用：你能看到钱从多个账户逐步汇入一个核心账户的动态过程。参数上，播放速度可以调，建议先慢后快，让观众看清关键节点。如果边太多，动画会变成闪烁，这时候要先做子图筛选，把边数降到几百条以内再播放。

5.3 导出模板让重复分析省一半时间

如果你每周都要做类似的分析，每次都手动调颜色、大小、布局会很累。i2 支持把当前图的格式设置保存成模板，下次导入新数据后直接套用。操作路径是：File->Save as Template，选一个名字保存。模板会记录节点图标、颜色映射、条件格式规则和布局参数。新数据导入后，打开模板，把字段映射重新指一遍，格式自动套上。

这里有个坑：模板里的字段名必须和新数据的字段名一致，否则映射会丢。所以我在 2.2 节强调字段命名要固定，不要这次叫SourceID，下次叫From。固定命名是模板能复用的前提。

5.4 一个我常犯的错误

早期我总想把所有数据塞进一张图，觉得信息越全越好。结果图大到没法看，布局跑不动，导出也糊。后来才明白，i2 的价值在于聚焦，不是堆量。现在我的习惯是：先做一张全局概览图，只保留度数为 1 的节点做背景；然后按分析目标拆三到五张子图，每张图只回答一个问题。这样每张图都能讲清楚一件事，导出和汇报也轻松。希望这个习惯能帮到你。

本文还有配套的精品资源，点击获取