R语言︱SNA-社会关系网络—igraph包（社群划分、画图）（三）

版权声明：博主原创文章，微信公众号：素质云笔记,转载请注明来源“素质云博客”，谢谢合作！！ https://blog.csdn.net/sinat_26917383/article/details/51444536

每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~

———————————————————————————

社群划分跟聚类差不多，参照《R语言与网站分析》第九章，社群结构特点：社群内边密度要高于社群间边密度，社群内部连接相对紧密，各个社群之间连接相对稀疏。

社群发现有五种模型：点连接、随机游走、自旋玻璃、中间中心度、标签发现。

评价社群三个指标：模块化指标Q、网络聚类系数、网络密度。

画图有三种方法：直接plot、书中自编译函数、SVG。

———————————————————————————————————

不同社群划分模型的区别

社群模型	概念	效果
点连接	某点与某社群有关系就是某社群的	最差，常常是某一大类超级多
随机游走	利用距离相似度，用合并层次聚类方法建立社群	运行时间短，但是效果不是特别好，也会出现某类巨多
自旋玻璃	关系网络看成是随机网络场，利用能量函数来进行层次聚类	耗时长，适用较为复杂的情况
中间中心度	找到中间中心度最弱的删除，并以此分裂至到划分不同的大群落	耗时长，参数设置很重要
标签传播	通过相邻点给自己打标签，相同的标签一个雷	跟特征向量可以组合应用，适用于话题类

———————————————————————————————————

一、社群发现模型

1、基于点连接的社群发现——clusters

如果一个点与社群有联系则放在一个网络中，简单易懂，耗时短，但是分类效果并不特别好。

clusters(g.dir,mode="weak")

mode是用来选择强关联还是弱关联，weak or strong.

2、随机游走的社群发现

member<-walktrap.community(g.undir,weights=E(g)$weight,step=4)

weight代表线权重，默认就是E(g)$label;step代表游走步长，越大代表分类越粗糙，分类类别越小。默认为4.

3、自旋玻璃社群发现

member<-spinglass.community(g.undir,weights=E(g.undir)$weight,spins=2)
#需要设置参数weights，因为无默认值

weight代表线权重，但是与随机游走不同，其要自己赋上去，weight=E(g)$label不能少;spins代表产生的社群数，默认值为25。
这个社群分类函数有了自己定义分类数量的效果。

4、中间中心度社群发现

member<-edge.betweenness.community(g.undir,weight=E(g)$weight,directed=F)

有默认的线权重，并且默认是无向线的，directed=T时就代表有向线。

5、传播标签社群发现

#社群发现方法五：标签传播社群发现
member<-label.propagation.community(g.undir,weights=V(g.undir)$weight)
V(g.undir)$member
member<-label.propagation.community(g.undir,weights = E(g.undir)$weight,initial = c(1,1,-1,-1,2,-1,1))
V(g.undir)$member
member<-label.propagation.community(g.undir,weights = E(g.undir)$weight,
                                    initial = c(1,1,-1,-1,2,-1,1),fixed=c(T,F,F,F,F,F,T))

initial是社群初始化函数，默认为-1（不设置初始值），当然这里你也可以设置；如initial=c(1,1,-1,-1,2)就代表1,2个数为社群1；3、4不设置初始值；5个为社群2
fixed是用来固定函数的，当然如果没有设定初始值，如3.4.6则T，F都无效；如果设定了初始值，T则代表固定在原设定上。

———————————————————————————————————

二、衡量社群的指标

1、模块化指标Q——modularity

相当于是组内误差。

modularity(g.undir,membership=c(1,1,1,2,2,2,2))  #社群总差异，membership设置社群号

membership是每个点的各自分组情况。

2、网络聚类系数——transitivity

按照图形理论，聚集系数是表示一个图形中节点聚集程度的系数，一个网络一个值。

transitivity(g)

可以衡量网络中关联性如何，值越大代表交互关系越大。说明网络越复杂，越能放在一块儿，聚类。
比如c(1,2,2,3,3,1)=1；c(1,2,2,3,3,1,1,4,4,3)=0.75，他是衡量是否有loop，能否找到循环到自己的线，三元组。

3、网络密度——graph.density

跟网路聚类系数差不多，也是用来形容网络的结构复杂程度。越大，说明网络越复杂，说明网络越能够放在一块。

graph.density(g.zn)
graph.density(group1)
graph.density(group2)
#从中可以看到不同社群与整体之间的网络密度情况（关联程度）

———————————————————————————————————

三、画 图

由于关系网络图很复杂，而且数据量一大，小的图片形式网路图基本就是一坨浆糊。所以这里JPEG一定要足够大，最好的就是SVG格式。SVG格式的好处就是矢量图，你可以自己放大缩小，而且还可以用工具进行修改。但是最不好就是，一般的工具还打开不了，要用一些特有的工具，打开之后也会出现一些问题。

当然你是可以直接plot的。

1、直接plot

plot(g.test,layout=layout.fruchterman.reingold,edge.arrow.size=0.1,vertex.color=rainbow(7,alpha=0.3),edge.arrow.mode = "-")

代码解读：edge.arrow.size=0.1箭头大小；

vertex.color=rainbow(7,alpha=0.3)颜色，七种；

edge.arrow.mode = "-"连接方式用-。

其中还有很多参数类型：

#vertex.size=1表示节点的大小
#layout表示布局方式（发散性）
#vertex.label=NA,不显示任何点信息，默认显示idx号
#vertex.color=V(g)$color 点的颜色设置
#mark.groups表示设置分组
#vertex.shape='none'不带边框 
#vertex.label.cex=1.5, #节点字体大小
#vertex.label.color='red'
#edge.arrow.size=0.7 #连线的箭头的大小
#edge.color = grey(0.5)#线的颜色
#edge.arrow.mode = "-" 箭头换成线
#vertex.label.dist=5  点标签和节点之间的距离一般0.1，便于错开重叠

2、简易画图自编译函数

R语言与网站分析中还专门写了一个画图函数。

plot.membership<-function(graph,membership,main=""){
  V(graph)$member<-membership
  mem.col<-rainbow(length(unique(membership)),alpha=0.3)
  V(graph)$color<-mem.col[membership]
  plot(graph,edge.width=E(graph)$weight,vertex.color=V(graph)$color,main=main)
}

函数需要输入三样东西（关系网络，分组情况，标题）。这里借助上面的社群分类都是可以得到的。用点连接来举个例子：

plot.membership(g.undir,clusters(g.undir)$membership,"无向图的社群发现")

3、SVG如何画高质量图

画一个好看的图你需要考虑这么几个问题：

不同重要性的点是否需要不同的大小？——V(g)$size

重要的点是否要加入其名字标签？——V(g)$label

不同社群的点，是否需要不同的颜色？——V(g)$member

（1）设置点大小

V(gg)$size = 5
V(gg)[degree(g)>=3000]$size = 15

其他节点尺寸都是5，而点度数大于3000的节点尺寸是15；

（2）设置不同社群颜色

mem.col<-rainbow(length(unique(V(g)$member)),alpha = 0.3)
V(g)$color<-mem.col[V(g)$member]

rainbow是生成颜色的参数，比如"#FF00004D" "#00FFFF4D"
第二句话是将每个点附上颜色。

（3）设置重点词标签

V(g)$label=NA
V(g)[degree(g)>=3000]$label=V(gg)[degree(g)>=3000]$name

非重点词不给标签，重点词点度大于3000的给标签名字。

 

最后的SVG画图函数就是：

svg(filename=paste("C:/Users/long/Desktop","/1.svg",sep = ""),width = 40,height = 40)
plot(data.g,layout=layout.fruchterman.reingold,vertex.color=V(g)$color,vertex.label=V(g)$label,<span style="font-family: Arial, Helvetica, sans-serif;">vertex.size=V(g)$size</span>)
dev.off()

其中layout.fruchterman.reingold是发散式的布局方式。

打开SVG可以用adobe illustrator,而且也可以修改，就是笔者遇到的问题是，图中会出现很多问题。盗图一张，来自博客：社会网络分析：探索人人网好友推荐系统

每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~

———————————————————————————