可视化将网络划分为社区的结果

Visualizing the result of dividing the network into communities

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]







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。