正在建设中，敬请期待 🏗️

项目结构

└── CNCSS_Toolbox：计算社会科学工具箱
    ├── Caculess_Methodos《无算之策》正文文本（GitBook链接）
    ├── Caculess_Methodos_code《无算之策》所用的环境与代码
    ├── DataSets 常用数据集（互联网上公开的）
    └── Assets 参考资料（互联网上公开的）

《无算之策》正文文本

第零部分——引言

• 封面
• 引言
  • 第一节——时代变革下的社会科学：研究疆域的重塑与范式困境
  • 第二节——计算社会科学的缘起：智识汇流、领域界定与范式确立
  • 第三节——计算社会科学的四大支柱：核心任务、解决的问题与领域特性
  • 第四节——无算之策：编排思路与结构
  • 参考文献
• 问题回答与补充

第一部分——计算社会科学研究方法基础

• 第一章——认识论基础：计算社会科学的研究思维范式
  • 第一节——问题思维: 计算社会科学探究的源起与罗盘
  • 第二节——数据思维: 理解与批判计算社会科学的经验基础
  • 第三节——模型思维：构建理解、预测与干预社会复杂性的抽象工具
• 第二章——方法论基础：通用的研究流程与核心概念
  • 第一节——计算社会科学研究的迭代生命周期：核心阶段与循环反馈

《无算之策》代码部分

本部分包含了《无算之策》中各章节 Python 代码示例的实现。代码遵循“认识论 (Epistemology) - 方法论 (Methodology) - 操作化 (Operationalization)”的框架，旨在提供可直接运行和修改的材料。所有 Python 脚本均包含 if __name__ == '__main__': 块，使其可以独立执行以查看演示效果。同时，每个脚本都被设计为包含可导入的 API 式函数，方便用户在自己的项目中调用特定功能。所有注释和文档字符串均使用中文编写。

主演示脚本:

• Calculess_Methodos_code/main.py: 调用所有子演示脚本的总入口。

各部分演示集:

• Calculess_Methodos_code/main_demos/run_adescribe_demos.py: 运行 A 部分所有描述性分析演示。
• Calculess_Methodos_code/main_demos/run_bpredict_demos.py: 运行 B 部分所有预测性建模演示。
• Calculess_Methodos_code/main_demos/run_ccausal_demos.py: 运行 C 部分所有因果推断演示。
• Calculess_Methodos_code/main_demos/run_dsimulate_demos.py: 运行 D 部分所有模拟演示。

代码库结构 (Calculess_Methodos_code):

Calculess_Methodos_code/
├── main.py
├── main_demos/
│ ├── run_adescribe_demos.py
│ ├── run_bpredict_demos.py
│ ├── run_ccausal_demos.py
│ └── run_dsimulate_demos.py
├── ADescribe/ (描述性分析与探索性数据分析 EDA)
│ ├── init.py
│ ├── altair_examples.py
│ ├── bokeh_examples.py
│ ├── geopandas_folium_examples.py
│ ├── lux_conceptual.py
│ ├── matplotlib_examples.py
│ ├── networkx_examples.py
│ ├── nltk_spacy_wordcloud_text_tools.py
│ ├── pandas_operations.py
│ ├── plotly_examples.py
│ ├── seaborn_examples.py
│ ├── sweetviz_autoviz_conceptual.py
│ ├── tsne_pca_examples.py
│ └── ydata_profiling_examples.py
├── BPredict/ (预测性建模)
│ ├── init.py
│ ├── catboost_examples.py
│ ├── hyperparameter_tuning_examples.py
│ ├── lightgbm_examples.py
│ ├── model_deployment_conceptual.py
│ ├── model_evaluation_comparison.py
│ ├── model_interpretability_examples.py
│ ├── pytorch_examples.py
│ ├── sklearn_examples.py
│ ├── tensorflow_keras_examples.py
│ └── xgboost_examples.py
├── CCausal/ (因果推断)
│ ├── init.py
│ ├── causalml_example.py
│ ├── dowhy_example.py
│ ├── econml_example.py
│ └── other_causal_methods_conceptual.py
└── DSimulate/ (模拟)
├── init.py
├── agent_based_modeling_mesa.py
├── discrete_event_simulation_simpy.py
├── monte_carlo_simulations.py
├── simulation_tools_comparison.py
└── system_dynamics_pysd.py

详细模块链接:

• A: 描述性分析与 EDA (Descriptive Analysis & EDA)
  • ADescribe/pandas_operations.py
  • ADescribe/matplotlib_examples.py
  • ADescribe/seaborn_examples.py
  • ADescribe/plotly_examples.py
  • ADescribe/bokeh_examples.py
  • ADescribe/altair_examples.py
  • ADescribe/geopandas_folium_examples.py
  • ADescribe/networkx_examples.py
  • ADescribe/nltk_spacy_wordcloud_text_tools.py
  • ADescribe/tsne_pca_examples.py
  • ADescribe/ydata_profiling_examples.py
  • ADescribe/sweetviz_autoviz_conceptual.py
  • ADescribe/lux_conceptual.py
• B: 预测性建模 (Predictive Modeling)
  • BPredict/sklearn_examples.py
  • BPredict/xgboost_examples.py
  • BPredict/lightgbm_examples.py
  • BPredict/catboost_examples.py
  • BPredict/tensorflow_keras_examples.py
  • BPredict/pytorch_examples.py
  • BPredict/model_evaluation_comparison.py
  • BPredict/hyperparameter_tuning_examples.py
  • BPredict/model_interpretability_examples.py
  • BPredict/model_deployment_conceptual.py
• C: 因果推断 (Causal Inference)
  • CCausal/dowhy_example.py
  • CCausal/econml_example.py
  • CCausal/causalml_example.py
  • CCausal/other_causal_methods_conceptual.py
• D: 模拟 (Simulation)
  • DSimulate/monte_carlo_simulations.py
  • DSimulate/discrete_event_simulation_simpy.py
  • DSimulate/agent_based_modeling_mesa.py
  • DSimulate/system_dynamics_pysd.py
  • DSimulate/simulation_tools_comparison.py

项目推介——回归不归往期推文

描述

• Neo4jGraphConstruction——自动提取图数据
  • 介绍推文：项目推介丨文本 →LLM→ 图——非结构化数据整理方案

预测

• Autogluon——自动机器学习
  • 介绍推文：项目推介丨自动调参、自动变量选择、自动训练、自动编程——工具推介与 Agent 时代的能动迷思

因果

• Oneclick——自动筛选控制变量
  • 介绍推文：项目推介丨自动调参、自动变量选择、自动训练、自动编程——工具推介与 Agent 时代的能动迷思
• CausalML——因果机器学习
  • 介绍推文：项目推介丨向计量方法引入机器学习，向计算方法介绍因果推断 —— CasualML
• EconML——计量经济学的机器学习模型
  • 介绍推文：项目推介丨计量经济学的机器学习工具箱 —— EconML

模拟

• PlatformWar——基于社交平台的观点生成
  • 介绍推文：项目推介丨探索社交平台差异：一个 Graph-RAG 驱动的 LLM 对话框架
• Concordia——基于生成式 LLM 的 ABM 库
  • 介绍推文：项目推介丨最早的模拟社会开源库：谷歌 Concordia
• AgentSociety——基于大模型的社会模拟器
  • 介绍推文：项目推介丨低门槛社会模拟器！清华大学发布 AgentSociety 1.0，社会模拟引擎+社科研究与治理工具箱=范式变革！
• OASIS——社交媒体模拟器
  • 介绍推文：项目推介丨如何使用模拟社会框架辅助社会科学研究？
• YuLan-Onesim——新一代大模型社会模拟平台
  • 介绍推文：项目推介丨人大高瓴人工智能学院推出新一代社会模拟平台玉兰-万象

---

CNCSS-Toolbox © 2024- by Larrtroffen(Xinhua Li, 李欣桦) is licensed under CC BY-NC-SA 4.0