计算加权图模块化的正确方法
Correct way of calculating modularity for weighted graphs
我有大约 13000 个基因，我正尝试使用 igraph 进行聚类，如下所示：
g.communities <- edge.betweenness.community(as.undirected(g), weights = E(g)$weight)
其中 returns 97 个社区具有模块化 0.9773353:
modularity(as.undirected(g), membership = g.communities$membership, weights = E(g)$weight)
#0.9773353
当我尝试自定义社区数量时，我得到了 0.0094 的模块化：
modularity(as.undirected(g), membership = cutat(g.communities, steps = 97), weights =
E(g)$weight)
#0.0094
这些函数不应该 return 相似的结果吗？另外，是否可以使用上面的
找到正确数量的簇的函数？ （因为只要增加步骤，模块化总是会增加）
最后 g.communities$modularity returns 每个顶点的编号。
这些数字是否可以解释为每个顶点与其对应模块的相关性？
您正在使用 cut_at 的 steps 参数。这不指定社区的数量，而是指定要对树状图执行的合并步骤的数量。如果您想要 97 个社区，请使用 cut_at(g.communities, no=97) 或简单地使用 cut_at(g.communities, 97).
也就是说，我不建议此时在加权图上使用 edge.betweenness.community，原因我已描述 here。
我有大约 13000 个基因，我正尝试使用 igraph 进行聚类，如下所示：
g.communities <- edge.betweenness.community(as.undirected(g), weights = E(g)$weight)
其中 returns 97 个社区具有模块化 0.9773353:
modularity(as.undirected(g), membership = g.communities$membership, weights = E(g)$weight)
#0.9773353
当我尝试自定义社区数量时，我得到了 0.0094 的模块化：
modularity(as.undirected(g), membership = cutat(g.communities, steps = 97), weights =
E(g)$weight)
#0.0094
这些函数不应该 return 相似的结果吗？另外，是否可以使用上面的 找到正确数量的簇的函数？ （因为只要增加步骤，模块化总是会增加）
最后 g.communities$modularity returns 每个顶点的编号。 这些数字是否可以解释为每个顶点与其对应模块的相关性？
您正在使用 cut_at 的 steps 参数。这不指定社区的数量，而是指定要对树状图执行的合并步骤的数量。如果您想要 97 个社区，请使用 cut_at(g.communities, no=97) 或简单地使用 cut_at(g.communities, 97).
也就是说，我不建议此时在加权图上使用 edge.betweenness.community，原因我已描述 here。