简介IBM i2 Analysts 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、需要处理复杂关联数据的分析师与调查人员。它通过图形化网络图、关联分析算法与多条件智能搜索帮助用户从海量异构数据中识别模式、趋势与隐藏关联并支持数据导入整合、团队协作共享、自定义模板工作流、版本回溯及安全隐私保护。资源包共42个文件以exe安装程序、htm安装向导页面、pdf用户与快速入门指南、msu系统补丁及dll、xml、ini等配置组件为主压缩包约443.77MB内含无需加密狗的i2forfree版本并附带培训教材与发布说明便于快速部署与上手。目前已有4662人学习下载可为情报分析场景下的数据关联建模与可视化研判提供完整工具支撑。1. 从一张关系图说起i2 Analysts Notebook 8.91 到底解决什么问题很多做数据分析的人都有过这种经历手里握着几十万条通话记录、转账流水、出行轨迹用 Excel 透视表翻来覆去地看能看出单个维度的异常却看不出「谁和谁在什么时间通过什么方式连在一起」。i2 Analysts Notebook 8.91 就是干这件事的——把分散的实体和关系导入一张可交互的关系图里让隐藏的中间人、资金环路、时间线上的巧合自己浮出来。它面向的是情报分析、反欺诈、合规调查、案件研判这类岗位不是给普通 BI 看板用的。8.91 这个版本号意味着它属于较新的维护分支在导入性能、图表布局算法和实体解析上比早期版本有实质改进。如果你每天的工作是「从关系里找结构」这套工具值得花时间摸透如果只是做常规报表它反而偏重。2. 把数据喂进图里导入、建模与实体解析2.1 先想清楚实体和关系再动手导入Analysts Notebook 的核心数据模型只有两类东西实体Entity和关系Link。实体是节点比如人、账户、电话、车牌、公司关系是边比如「转账给」「通话过」「同住」。很多人一上来就把 CSV 拖进去结果图里全是孤立点原因就是没提前定义好哪一列是实体、哪一列是关系、哪两列构成连接。常见做法是先画一张纸面模型列出所有实体类型再列出它们之间可能的关系类型每种关系标注方向有向还是无向和属性时间、金额、次数。这张纸决定了后面所有导入配置省不得。导入方式主要有三种直接导入 Excel/CSV、通过 i2 iBase 连接数据库、用 Analysts Notebook 的导入设计器Import Designer做映射。日常小批量分析用第一种最快生产环境反复跑用第三种最稳。2.2 用导入设计器做一次可复用的映射下面是一个典型的 CSV 导入配置思路用伪代码表示映射逻辑实际在 Import Designer 里是可视化拖拽但理解字段对应关系是关键# 模拟导入设计器的字段映射逻辑非真实 API用于说明结构 entity_mapping { source_file: transactions.csv, entity_column: counterparty_name, # 这一列生成实体 entity_type: Person, # 实体类型 id_column: counterparty_id, # 实体唯一标识用于去重 label_column: counterparty_name # 图上显示的名称 } link_mapping { from_column: payer_id, # 关系起点 to_column: payee_id, # 关系终点 link_type: TransferredTo, # 关系类型 direction: directed, # 有向 attributes: { amount: txn_amount, # 关系属性金额 date: txn_date, # 关系属性日期 channel: payment_method # 关系属性渠道 } }这段逻辑说明三件事实体靠唯一 ID 去重关系靠起点终点列连接属性挂在关系上而不是实体上。参数上最容易翻车的是id_column——如果同一实体在不同文件里 ID 不一致导入后会变成两个点后面所有分析都白做。所以导入前必须做一次 ID 标准化比如统一去掉空格、统一大小写、统一前缀。2.3 实体解析让「张三」和「张 三」变成一个人实体解析Entity Resolution是 8.91 里比较实用的功能。现实数据里同一个人可能写成「张三」「张 三」「ZHANG SAN」「张三经理」如果不去重图会膨胀得没法看。操作路径通常是导入后选中一批实体用「查找匹配项」功能设置匹配规则。规则可以基于名称相似度、ID 完全匹配、电话相同等。建议先用 ID 做精确匹配再用名称做模糊匹配模糊阈值不要一上来就设太低否则会把「张伟」和「张伟明」合并造成误判。一个稳妥的参数习惯名称相似度阈值先设 0.85 以上人工复核后再逐步放宽电话、身份证这类强标识符用精确匹配不参与模糊。合并前一定先导出候选列表人工过一遍合并是不可逆的没有后悔药。3. 让图说话布局、时间线与可视化分析3.1 布局算法怎么选取决于你要回答什么问题图导入进来只是原料布局决定你能不能看出结构。8.91 提供多种布局常用的有几种布局类型适合场景注意点环形布局看核心节点与外围的连接节点多了会挤成一团层次布局看上下级、资金流向有向关系才有效果力导向布局看聚类和社区每次跑结果略有不同时间线布局看事件先后顺序需要关系带时间属性我一般先用层次布局看资金流向再切力导向看有没有抱团的小圈子。力导向布局有个玄学节点位置每次跑都不一样但聚类结构是稳定的所以看结构别看具体位置。3.2 时间线分析把「什么时候」变成可筛选的维度很多案件的关键不是「谁连谁」而是「谁在什么时候连谁」。8.91 的时间线功能可以把带时间属性的关系按时间轴展开配合过滤器只看某个时间窗口内的连接。操作上先确保关系上有日期字段然后在分析面板里启用时间线视图设置起止时间。常见做法是把时间线和一个子图联动选中时间线上某一段图上只高亮那段时期活跃的关系。这样能快速定位「案发前后三天内谁和谁联系过」这类问题。参数上要注意时区统一。如果数据来自多个系统有的用 UTC 有的用本地时间不统一的话时间线会错位后面所有推断都站不住。导入前统一转成一个时区这是血泪经验。3.3 用条件格式和图标把属性变成视觉信号图上的点如果都一样看不出重点。8.91 支持按属性设置节点大小、颜色、图标。比如把转账金额映射成边的粗细把风险等级映射成节点颜色把实体类型映射成图标形状。设置路径一般在「格式」或「主题」里选中一类实体或关系绑定属性字段设定映射规则。建议颜色不要超过五类多了反而分不清金额这类连续值用粗细或大小表示不要用颜色因为人眼对颜色深浅的分辨不如对长度敏感。一个实用技巧把「是否命中黑名单」设成红色边框这样在一张大图里一眼就能扫到需要重点看的点。4. 避坑与排查导入和分析中最容易翻车的五件事4.1 导入后全是孤立点一条关系都没有现象CSV 导入成功实体都生成了但图上没有任何连线。原因关系映射里的起点列和终点列没有正确对应到实体的唯一 ID 列或者 ID 列里有空格、大小写不一致导致匹配不上。解决回到 Import Designer 检查 from/to 列是否指向实体的 ID 字段导入前用脚本清洗 ID 列去空格、统一大小写。可以先导一个小样本验证再跑全量。4.2 同一个实体出现多个重复节点现象图里出现「张三」「张 三」「张三 」三个点明明是同一个人。原因实体解析没做或者 ID 列不唯一导致每次出现都新建实体。解决导入时指定唯一 ID 列导入后用实体解析功能合并合并前导出候选列表人工确认。不要依赖名称自动合并误合并比不合并更麻烦。4.3 图太大软件卡到没法操作现象导入十万级节点后每次拖动都卡几秒布局跑不完。原因一次性把所有数据都渲染出来超出了交互式分析的合理规模。解决先做聚合或筛选只导入与当前问题相关的子集用过滤器按时间、类型缩小范围必要时分多个图表文件管理不要一张图塞所有数据。8.91 虽然比早期版本性能好但交互式分析本来就不适合全量渲染。4.4 时间线错位事件顺序对不上现象时间线上显示的顺序和实际业务顺序矛盾。原因时区不统一或者日期格式解析错误比如把月日解析成日月。解决导入前统一时区并转成标准格式如 ISO 8601在导入设计器里明确指定日期字段的格式导入后抽查几条已知时间的数据核对。4.5 布局跑完看不出结构一团乱麻现象力导向布局跑完所有点挤在一起看不出聚类。原因图里存在超级节点连接数极多的点把其他点都吸过去了或者关系太密视觉上无法分辨。解决先按连接数排序把超级节点暂时隐藏或单独分析用过滤器降低关系密度只看权重高的边换层次布局看流向。超级节点往往是关键但也是视觉干扰源分开处理。5. 进阶技巧把重复分析变成可复用的模板当你已经能熟练导入、布局、筛选之后真正拉开效率差距的是「复用」。8.91 支持把一套分析配置保存成模板下次同类数据直接套用。具体做法是把导入映射、实体解析规则、布局参数、条件格式、过滤器设置全部调好之后保存为一个分析模板文件。下次拿到同结构的新数据直接加载模板再导入省去重复配置的时间。我一般会按业务场景建几个模板比如「资金流向分析」「通话关系梳理」「出行轨迹关联」每个模板预设好对应的实体类型、关系类型和视觉规则。另一个进阶用法是把 Analysts Notebook 和外部脚本配合。比如用 Python 先做数据清洗和 ID 标准化输出规范化的 CSV再导入。这样把脏活放在导入前解决图里就干净很多。下面是一个清洗 ID 列的简单示例import pandas as pd # 读取原始数据 df pd.read_csv(raw_transactions.csv) # 标准化 ID去空格、转大写、去特殊字符 def normalize_id(value): if pd.isna(value): return return str(value).strip().upper().replace( , ).replace(-, ) df[payer_id] df[payer_id].apply(normalize_id) df[payee_id] df[payee_id].apply(normalize_id) # 统一日期格式为 ISO 8601 df[txn_date] pd.to_datetime(df[txn_date], errorscoerce).dt.strftime(%Y-%m-%dT%H:%M:%S) # 输出清洗后数据 df.to_csv(clean_transactions.csv, indexFalse)这段脚本的关键在normalize_id函数去空格、转大写、去连字符三步就能消除大部分 ID 不一致问题。日期统一成 ISO 格式后导入时不用再猜格式。参数上errorscoerce会把解析失败的日期变成空值导入前要检查空值比例太高说明源数据格式有问题得回头找数据提供方确认。验证模板是否可靠的方法很简单拿一份已知结论的历史数据跑一遍看模板产出的图能不能复现之前的结论。如果能说明模板稳定如果不能检查是哪一步配置漂移了。这个习惯让我少走了很多重复调试的弯路。最后说一个我自己的教训刚开始用的时候总想一张图解决所有问题结果图越铺越大最后自己都看不懂。后来强迫自己每张图只回答一个问题分析完就存档需要交叉时再开新图。图不是越大越有价值能回答问题的图才有价值。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/17 12:37:12 · 阅读 1.2k i2 Analyst‘s Notebook 8.91 关系图分析实战：从数据导入到可视化与避坑指南
简介IBM i2 Analysts 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、需要处理复杂关联数据的分析师与调查人员。它通过图形化网络图、关联分析算法与多条件智能搜索帮助用户从海量异构数据中识别模式、趋势与隐藏关联并支持数据导入整合、团队协作共享、自定义模板工作流、版本回溯及安全隐私保护。资源包共42个文件以exe安装程序、htm安装向导页面、pdf用户与快速入门指南、msu系统补丁及dll、xml、ini等配置组件为主压缩包约443.77MB内含无需加密狗的i2forfree版本并附带培训教材与发布说明便于快速部署与上手。目前已有4662人学习下载可为情报分析场景下的数据关联建模与可视化研判提供完整工具支撑。1. 从一张关系图说起i2 Analysts Notebook 8.91 到底解决什么问题很多做数据分析的人都有过这种经历手里握着几十万条通话记录、转账流水、出行轨迹用 Excel 透视表翻来覆去地看能看出单个维度的异常却看不出「谁和谁在什么时间通过什么方式连在一起」。i2 Analysts Notebook 8.91 就是干这件事的——把分散的实体和关系导入一张可交互的关系图里让隐藏的中间人、资金环路、时间线上的巧合自己浮出来。它面向的是情报分析、反欺诈、合规调查、案件研判这类岗位不是给普通 BI 看板用的。8.91 这个版本号意味着它属于较新的维护分支在导入性能、图表布局算法和实体解析上比早期版本有实质改进。如果你每天的工作是「从关系里找结构」这套工具值得花时间摸透如果只是做常规报表它反而偏重。2. 把数据喂进图里导入、建模与实体解析2.1 先想清楚实体和关系再动手导入Analysts Notebook 的核心数据模型只有两类东西实体Entity和关系Link。实体是节点比如人、账户、电话、车牌、公司关系是边比如「转账给」「通话过」「同住」。很多人一上来就把 CSV 拖进去结果图里全是孤立点原因就是没提前定义好哪一列是实体、哪一列是关系、哪两列构成连接。常见做法是先画一张纸面模型列出所有实体类型再列出它们之间可能的关系类型每种关系标注方向有向还是无向和属性时间、金额、次数。这张纸决定了后面所有导入配置省不得。导入方式主要有三种直接导入 Excel/CSV、通过 i2 iBase 连接数据库、用 Analysts Notebook 的导入设计器Import Designer做映射。日常小批量分析用第一种最快生产环境反复跑用第三种最稳。2.2 用导入设计器做一次可复用的映射下面是一个典型的 CSV 导入配置思路用伪代码表示映射逻辑实际在 Import Designer 里是可视化拖拽但理解字段对应关系是关键# 模拟导入设计器的字段映射逻辑非真实 API用于说明结构 entity_mapping { source_file: transactions.csv, entity_column: counterparty_name, # 这一列生成实体 entity_type: Person, # 实体类型 id_column: counterparty_id, # 实体唯一标识用于去重 label_column: counterparty_name # 图上显示的名称 } link_mapping { from_column: payer_id, # 关系起点 to_column: payee_id, # 关系终点 link_type: TransferredTo, # 关系类型 direction: directed, # 有向 attributes: { amount: txn_amount, # 关系属性金额 date: txn_date, # 关系属性日期 channel: payment_method # 关系属性渠道 } }这段逻辑说明三件事实体靠唯一 ID 去重关系靠起点终点列连接属性挂在关系上而不是实体上。参数上最容易翻车的是id_column——如果同一实体在不同文件里 ID 不一致导入后会变成两个点后面所有分析都白做。所以导入前必须做一次 ID 标准化比如统一去掉空格、统一大小写、统一前缀。2.3 实体解析让「张三」和「张 三」变成一个人实体解析Entity Resolution是 8.91 里比较实用的功能。现实数据里同一个人可能写成「张三」「张 三」「ZHANG SAN」「张三经理」如果不去重图会膨胀得没法看。操作路径通常是导入后选中一批实体用「查找匹配项」功能设置匹配规则。规则可以基于名称相似度、ID 完全匹配、电话相同等。建议先用 ID 做精确匹配再用名称做模糊匹配模糊阈值不要一上来就设太低否则会把「张伟」和「张伟明」合并造成误判。一个稳妥的参数习惯名称相似度阈值先设 0.85 以上人工复核后再逐步放宽电话、身份证这类强标识符用精确匹配不参与模糊。合并前一定先导出候选列表人工过一遍合并是不可逆的没有后悔药。3. 让图说话布局、时间线与可视化分析3.1 布局算法怎么选取决于你要回答什么问题图导入进来只是原料布局决定你能不能看出结构。8.91 提供多种布局常用的有几种布局类型适合场景注意点环形布局看核心节点与外围的连接节点多了会挤成一团层次布局看上下级、资金流向有向关系才有效果力导向布局看聚类和社区每次跑结果略有不同时间线布局看事件先后顺序需要关系带时间属性我一般先用层次布局看资金流向再切力导向看有没有抱团的小圈子。力导向布局有个玄学节点位置每次跑都不一样但聚类结构是稳定的所以看结构别看具体位置。3.2 时间线分析把「什么时候」变成可筛选的维度很多案件的关键不是「谁连谁」而是「谁在什么时候连谁」。8.91 的时间线功能可以把带时间属性的关系按时间轴展开配合过滤器只看某个时间窗口内的连接。操作上先确保关系上有日期字段然后在分析面板里启用时间线视图设置起止时间。常见做法是把时间线和一个子图联动选中时间线上某一段图上只高亮那段时期活跃的关系。这样能快速定位「案发前后三天内谁和谁联系过」这类问题。参数上要注意时区统一。如果数据来自多个系统有的用 UTC 有的用本地时间不统一的话时间线会错位后面所有推断都站不住。导入前统一转成一个时区这是血泪经验。3.3 用条件格式和图标把属性变成视觉信号图上的点如果都一样看不出重点。8.91 支持按属性设置节点大小、颜色、图标。比如把转账金额映射成边的粗细把风险等级映射成节点颜色把实体类型映射成图标形状。设置路径一般在「格式」或「主题」里选中一类实体或关系绑定属性字段设定映射规则。建议颜色不要超过五类多了反而分不清金额这类连续值用粗细或大小表示不要用颜色因为人眼对颜色深浅的分辨不如对长度敏感。一个实用技巧把「是否命中黑名单」设成红色边框这样在一张大图里一眼就能扫到需要重点看的点。4. 避坑与排查导入和分析中最容易翻车的五件事4.1 导入后全是孤立点一条关系都没有现象CSV 导入成功实体都生成了但图上没有任何连线。原因关系映射里的起点列和终点列没有正确对应到实体的唯一 ID 列或者 ID 列里有空格、大小写不一致导致匹配不上。解决回到 Import Designer 检查 from/to 列是否指向实体的 ID 字段导入前用脚本清洗 ID 列去空格、统一大小写。可以先导一个小样本验证再跑全量。4.2 同一个实体出现多个重复节点现象图里出现「张三」「张 三」「张三 」三个点明明是同一个人。原因实体解析没做或者 ID 列不唯一导致每次出现都新建实体。解决导入时指定唯一 ID 列导入后用实体解析功能合并合并前导出候选列表人工确认。不要依赖名称自动合并误合并比不合并更麻烦。4.3 图太大软件卡到没法操作现象导入十万级节点后每次拖动都卡几秒布局跑不完。原因一次性把所有数据都渲染出来超出了交互式分析的合理规模。解决先做聚合或筛选只导入与当前问题相关的子集用过滤器按时间、类型缩小范围必要时分多个图表文件管理不要一张图塞所有数据。8.91 虽然比早期版本性能好但交互式分析本来就不适合全量渲染。4.4 时间线错位事件顺序对不上现象时间线上显示的顺序和实际业务顺序矛盾。原因时区不统一或者日期格式解析错误比如把月日解析成日月。解决导入前统一时区并转成标准格式如 ISO 8601在导入设计器里明确指定日期字段的格式导入后抽查几条已知时间的数据核对。4.5 布局跑完看不出结构一团乱麻现象力导向布局跑完所有点挤在一起看不出聚类。原因图里存在超级节点连接数极多的点把其他点都吸过去了或者关系太密视觉上无法分辨。解决先按连接数排序把超级节点暂时隐藏或单独分析用过滤器降低关系密度只看权重高的边换层次布局看流向。超级节点往往是关键但也是视觉干扰源分开处理。5. 进阶技巧把重复分析变成可复用的模板当你已经能熟练导入、布局、筛选之后真正拉开效率差距的是「复用」。8.91 支持把一套分析配置保存成模板下次同类数据直接套用。具体做法是把导入映射、实体解析规则、布局参数、条件格式、过滤器设置全部调好之后保存为一个分析模板文件。下次拿到同结构的新数据直接加载模板再导入省去重复配置的时间。我一般会按业务场景建几个模板比如「资金流向分析」「通话关系梳理」「出行轨迹关联」每个模板预设好对应的实体类型、关系类型和视觉规则。另一个进阶用法是把 Analysts Notebook 和外部脚本配合。比如用 Python 先做数据清洗和 ID 标准化输出规范化的 CSV再导入。这样把脏活放在导入前解决图里就干净很多。下面是一个清洗 ID 列的简单示例import pandas as pd # 读取原始数据 df pd.read_csv(raw_transactions.csv) # 标准化 ID去空格、转大写、去特殊字符 def normalize_id(value): if pd.isna(value): return return str(value).strip().upper().replace( , ).replace(-, ) df[payer_id] df[payer_id].apply(normalize_id) df[payee_id] df[payee_id].apply(normalize_id) # 统一日期格式为 ISO 8601 df[txn_date] pd.to_datetime(df[txn_date], errorscoerce).dt.strftime(%Y-%m-%dT%H:%M:%S) # 输出清洗后数据 df.to_csv(clean_transactions.csv, indexFalse)这段脚本的关键在normalize_id函数去空格、转大写、去连字符三步就能消除大部分 ID 不一致问题。日期统一成 ISO 格式后导入时不用再猜格式。参数上errorscoerce会把解析失败的日期变成空值导入前要检查空值比例太高说明源数据格式有问题得回头找数据提供方确认。验证模板是否可靠的方法很简单拿一份已知结论的历史数据跑一遍看模板产出的图能不能复现之前的结论。如果能说明模板稳定如果不能检查是哪一步配置漂移了。这个习惯让我少走了很多重复调试的弯路。最后说一个我自己的教训刚开始用的时候总想一张图解决所有问题结果图越铺越大最后自己都看不懂。后来强迫自己每张图只回答一个问题分析完就存档需要交叉时再开新图。图不是越大越有价值能回答问题的图才有价值。希望帮到你。本文还有配套的精品资源点击获取