R: igraph, обнаружение сообщества, edge.метод betweenness, количество / список членов каждого сообщества?

у меня относительно большой граф с вершинами: 524 ребра: 1125, реальных транзакций. Края направлены и имеют вес (включение опционное). Я пытаюсь исследовать различные сообщества в графе и по существу нуждаюсь в методе, который:

-вычисляет все возможные сообществ

-вычисляет оптимальное количество общин

- возвращает членов / # членов каждого (оптимального) сообщества

до сих пор я удалось собрать следующий код, который строит цветной график, соответствующий различным сообществам, однако я понятия не имею, как контролировать количество сообществ (i.e построить топ-5 сообществ с самым высоким членством) или перечислить членов определенного сообщества.

library(igraph)
edges <- read.csv('http://dl.dropbox.com/u/23776534/Facebook%20%5BEdges%5D.csv')
all<-graph.data.frame(edges)
summary(all)

all_eb <- edge.betweenness.community(all)
mods <- sapply(0:ecount(all), function(i) {
all2 <- delete.edges(all, all_eb$removed.edges[seq(length=i)])
cl <- clusters(all2)$membership
modularity(all, cl)
})


plot(mods, type="l")

all2<-delete.edges(all, all_eb$removed.edges[seq(length=which.max(mods)-1)])

V(all)$color=clusters(all2)$membership

all$layout <- layout.fruchterman.reingold(all,weight=V(all)$weigth)

plot(all, vertex.size=4, vertex.label=NA, vertex.frame.color="black", edge.color="grey",
edge.arrow.size=0.1,rescale=TRUE,vertex.label=NA, edge.width=.1,vertex.label.font=NA)

потому что метод edge betweenness работал так плохо, что я снова попытался использовать метод walktrap:

all_wt<- walktrap.community(all, steps=6,modularity=TRUE,labels=TRUE)
all_wt_memb <- community.to.membership(all, all_wt$merges, steps=which.max(all_wt$modularity)-1)


colbar <- rainbow(20)
col_wt<- colbar[all_wt_memb$membership+1]

l <- layout.fruchterman.reingold(all, niter=100)
plot(all, layout=l, vertex.size=3, vertex.color=col_wt, vertex.label=NA,edge.arrow.size=0.01,
                    main="Walktrap Method")
all_wt_memb$csize
[1] 176  13 204  24   9 263  16   2   8   4  12   8   9  19  15   3   6   2   1

19 кластеров - намного лучше!

Теперь скажем, у меня был "известный кластер" со списком его членов и я хотел проверить каждый из наблюдаемых кластеров на наличие членов из "известного кластера". Возврат процента найденных членов. Не удалось закончить следующее?? 

list<-read.csv("http://dl.dropbox.com/u/23776534/knownlist.csv")
ength(all_wt_memb$csize) #19

for(i in 1:length(all_wt_memb$csize))
{

match((V(all)[all_wt_memb$membership== i]),list)

}
9
igraph modularity r

2 ответов

несколько из этих вопросов можно обнаружить, внимательно изучив документацию используемых вами функций. Например, документация clusters, в разделе" значения", описывает, что будет возвращено из функции, несколько из которых отвечают на ваши вопросы. Документация в стороне, вы всегда можете использовать str функция для анализа состава любого конкретного объекта.

это, как говорится, чтобы получить членов или количество членов в конкретном сообщество, вы можете посмотреть на

5

что касается "как контролировать количество сообществ" в вопросе OPs, я использую функцию cut_at для сообществ, чтобы разрезать полученную иерархическую структуру на желаемое количество групп. Надеюсь, кто-то может подтвердить, что я делаю что-то вменяемое. А именно, рассмотрим следующее:

#Generate graph
adj.mat<- matrix(,nrow=200, ncol=200) #empty matrix
set.seed(2) 

##populate adjacency matrix
for(i in 1:200){adj.mat[i,sample(rep(1:200), runif(1,1,100))]<-1}
adj.mat[which(is.na(adj.mat))] <-0

for(i in 1:200){
  adj.mat[i,i]<-0
}

G<-graph.adjacency(adj.mat, mode='undirected')
plot(G, vertex.label=NA)

##Find clusters
walktrap.comms<- cluster_walktrap(G, steps=10)
max(walktrap.comms$membership) #43

  [1]  6 34 13  1 19 19  3  9 20 29 12 26  9 28  9  9  2 14 13 14 27  9 33 17 22 23 23 10 17 31  9 21  2  1
 [35] 33 23  3 26 22 29  4 16 24 22 25 31 23 23 13 30 35 27 25 15  6 14  9  2 16  7 23  4 18 10 10 22 27 27
 [69] 23 31 27 32 36  8 23  6 23 14 19 22 19 37 27  6 27 22  9 14  4 22 14 32 33 27 26 14 21 27 22 12 20  7
[103] 14 26 38 39 26  3 14 23 22 14 40  9  5 19 29 31 26 26  2 19  6  9  1  9 23  4 14 11  9 22 23 41 10 27
[137] 22 18 26 14  8 15 27 10  5 33 21 28 23 22 13  1 22 24 14 18  8  2 18  1 27 12 22 34 13 27  3  5 27 25
[171]  1 27 13 34  8 10 13  5 17 17 25  6 19 42 31 13 30 32 15 30  5 11  9 25  6 33 18 33 43 10

Теперь обратите внимание, что есть 43 группы, но мы хотим более грубые сокращения, следовательно, изучите дендрограмму:

plot(as.hclust(walktrap.comms), label=F)

и вырезать на его основе. Я произвольно выбрал 6 путей, но тем не менее, теперь у вас есть более грубые кластеров

cut_at(walktrap.comms, no=6)

  [1] 4 2 5 4 5 5 3 5 3 4 3 5 5 3 5 5 3 1 5 1 1 5 1 6 1 1 1 4 6 5 5 2 3 4 1 1 3 5 1 4 6 6 3 1 5 5 1 1 5 4 3 1
 [53] 5 2 4 1 5 3 6 3 1 6 6 4 4 1 1 1 1 5 1 4 3 3 1 4 1 1 5 1 5 2 1 4 1 1 5 1 6 1 1 4 1 1 5 1 2 1 1 3 3 3 1 5
[105] 3 3 5 3 1 1 1 1 3 5 2 5 4 5 5 5 3 5 4 5 4 5 1 6 1 3 5 1 1 1 4 1 1 6 5 1 3 2 1 4 2 1 2 3 1 1 5 4 1 3 1 6
[157] 3 3 6 4 1 3 1 2 5 1 3 2 1 5 4 1 5 2 3 4 5 2 6 6 5 4 5 3 5 5 4 4 2 4 2 3 5 5 4 1 6 1 2 4
1