可视化将网络划分为社区的结果

Question

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。我的数据上传在这两个link下面。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，但是我的图很乱而且看不懂。我怎样才能更好地绘制？谁能帮帮我？

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]

Answer 1

无论您做什么，都无法轻松查看具有 9379 个链接的 2839 个节点。屏幕上没有那么多 space。不过，我有一些建议这可能比仅仅将图表传递到绘图中提供更多的洞察力。

首先，快速浏览一下您的图表就会发现这张图不是由一个单一的连接组件。

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

所以 2696 个节点在一个大组件中，其余 143 个有 26 个小组件。大组件中的2696个节点不堪重负较小的组件和 26 个小组件会造成视觉混乱对于大组件。让我们把26个小部件分开。

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

现在很容易在所有这些小组件上看到社区结构。

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)

大多数情况下，由单个社区组成的小组件，尽管有一些具有一定的结构。

这是简单的部分，现在让我们看看重要的部分。

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

Girvan-Newman 在这个大型组件中产生了 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)

我将建议两种方法来改善此图的外观：
分社区，承包社区。

分离社区

基于this previous answer，我们可以将同一社区组中的顶点放在一起并制作不同的社区之间的距离更远。

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)

这让社区更好地脱颖而出，但仍然很难查看关系。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，我将每个区域社区顶点与该社区的成员数量成正比然后我根据顶点的度数使用粗分组为顶点着色。

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)

您可以看到有些社区几乎没有与其他社区联系，而有些则连接得很好。 None 这些可视化是完美的，但我希望它们可以提供一些关于结构和关系的见解。

可视化将网络划分为社区的结果

Visualizing the result of dividing the network into communities

r

graph

igraph

statnet