3

在此处输入图像描述数据集包括网络矩阵和属性数据框。网络数据集本身有 3 个数据集，我只想处理PrinFull数据集以及 PRIN 属性数据。我的数据在下面的这两个链接中上传。我在我的数据集上添加了所有属性。

https://drive.google.com/file/d/1MZCdeAZF0joIQLwVeoVXmKpf7r8IJ2wq/view?usp=sharing https://drive.google.com/file/d/1I96BAUo8TjJMWCWpn_SIhp54snfZ0Bd5/view?usp=sharing 我想绘制我的社区检测算法，代码如下，但我的情节很混乱，无法理解。我怎样才能以更好的方式进行绘图？谁能帮我？

load('/content/CISPRINWOSmatrices.RData')
load('/content/CISPRINWOS_attributes.RData')

library("igraphdata")
library("igraph")
library("network")
library("statnet")
library("intergraph")
library("dplyr")
library("stringr")
library("RColorBrewer")
library("sand")




nodePRIN <- data.frame(PRIN)
#nodePRIN
relationsp <- as.matrix(PrinFull)

PRIN_graph = graph_from_adjacency_matrix(relationsp, mode="undirected",weighted = TRUE)
PRIN_graph

# Girvan-newman algorithm
gn.comm <- cluster_edge_betweenness(PRIN_graph)

#How many communities?

unique(gn.comm$membership)

#attach community labels as vertex attribute
V(PRIN_graph)$GN.cluster <- membership(gn.comm)
PRIN_graph

V(PRIN_graph)$Author[V(PRIN_graph)$GN.cluster==69]
# visualizing the result of dividing the network into communities

par(mar=c(0,0,0,0))

colors <- rainbow(max(membership(gn.comm)))
plot(gn.comm, PRIN_graph, vertex.size = 6, 
vertex.color=colors[membership(gn.comm)], vertex.label = NA, edge.width = 1)

[![enter image description here][1]][1]
4

1 回答 1

2

您所做的任何事情都无法让您轻松查看具有 9379 个链接的 2839 个节点。屏幕上没有那么多空间。不过，我有一些建议可以提供更多的洞察力，而不仅仅是将图表传递给绘图。

首先，快速浏览一下您的图会发现该图不是由单个连接组件组成的。

COMP = components(PRIN_graph)
table(COMP$membership)
   1    2    3    4    5    6    7    8    9   10   11   12   13   14   
2696   42    2    4   18   13    2    7    7    2    3    2    2    2   
  15   16   17   18   19    20   21   22   23   24   25   26   27 
   2    6   14    3    1     1    1    2    1    3    1    1    1

因此，2696 个节点位于一个大组件中，其余 143 个节点位于 26 个小组件中。大组件中的 2696 个节点压倒了较小的组件，而 26 个小组件则充当了大组件的视觉混乱。让我们分开 26 个小组件。

SC = which(COMP$membership != 1)
SmallComps = induced_subgraph(PRIN_graph, SC)

现在很容易看到所有这些小组件的社区结构。

SC.gn.comm <- cluster_edge_betweenness(SmallComps)
colors <- rainbow(max(membership(SC.gn.comm)))
plot(SC.gn.comm, SmallComps, vertex.size = 6, 
    vertex.color=colors[membership(SC.gn.comm)], 
    vertex.label = NA, edge.width = 1)

小组件的社区图

大多数情况下，由单个社区组成的小组件，尽管有一些具有某种结构。

那是简单的部分，现在让我们看看大组件。

LC = which(COMP$membership == 1)
LargeComp = induced_subgraph(PRIN_graph, LC)

Girvan-Newman 在这个大型组件中创建了 43 个社区

LC.gn.comm <- cluster_edge_betweenness(LargeComp)
max(LC.gn.comm$membership)
[1] 43

但简单地绘制仍然会留下一团糟。

par(mar=c(0,0,0,0))
colors <- rainbow(max(membership(LC.gn.comm)))
set.seed(1234)
plot(LC.gn.comm, LargeComp, vertex.size = 6, 
    vertex.color=colors[membership(LC.gn.comm)], 
    vertex.label = NA, edge.width = 1)

大型组件的社区图

我将提出两种改进此图外观的方法：
分离社区和收缩社区。

分离社区

基于这个先前的答案，我们可以将同一社区组中的顶点定位在一起，并使不同的社区保持更远的距离。

LC_Grouped = LargeComp
E(LC_Grouped)$weight = 1
for(i in unique(membership(LC.gn.comm))) {
    GroupV = which(membership(LC.gn.comm) == i)
    LC_Grouped = add_edges(LC_Grouped, combn(GroupV, 2), attr=list(weight=6))
} 

set.seed(1234)
LO = layout_with_fr(LC_Grouped)
colors <- rainbow(max(membership(LC.gn.comm)))
par(mar=c(0,0,0,0))
plot(LC.gn.comm, LargeComp, layout=LO,
    vertex.size = 6, 
    vertex.color=colors[membership(LC.gn.comm)], 
    vertex.label = NA, edge.width = 1)

社区图的第二版

这使社区更加突出，但仍然很难看到关系。所以另一个选择是

与社区签约

只需为每个社区绘制一个节点。在这里，我使每个社区顶点的面积与该社区的成员数量成正比，并使用基于度数的粗略分组对顶点进行着色。

GN.Comm = simplify(contract(LargeComp, membership(LC.gn.comm)))
D = unname(degree(GN.Comm))

set.seed(1234)
par(mar=c(0,0,0,0))
plot(GN.Comm, vertex.size=sqrt(sizes(LC.gn.comm)),
    vertex.label=1:43, vertex.cex = 0.8,
    vertex.color=round(log(D))+1)

契约社区图

您可以看到一些社区几乎没有与任何其他社区联系起来，而有些则连接得很好。这些可视化都不是完美的，但我希望它们可以提供对结构和关系的一些见解。

于 2020-06-26T15:24:38.157 回答