我有一个相对较大的顶点图：524边：1125，是真实世界的交易。边缘是直的并且具有重量（包含是可选的）。 我正在尝试调查图中的各个社区，并且基本上需要一种方法：
- 计算所有可能的社区
- 计算最佳社区数量
- 回复每个（最佳）社区的成员/成员数量
到目前为止，我已经设法将以下代码汇总在一起，该代码绘制了与各种社区相对应的颜色编码图，但是我不知道如何控制社区的数量（即绘制最高的前5个社区会员资格）或列出特定社区的成员。
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)$weigth)
plot(all, vertex.size=4, vertex.label=NA, vertex.frame.color="black", edge.color="grey",
edge.arrow.size=0.1,rescale=TRUE,vertex.label=NA, edge.width=.1,vertex.label.font=NA)
因为边缘介于两者之间的方法执行得很差，所以我再次尝试使用walktrap方法：
all_wt<- walktrap.community(all, steps=6,modularity=TRUE,labels=TRUE)
all_wt_memb <- community.to.membership(all, all_wt$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$csize
[1] 176 13 204 24 9 263 16 2 8 4 12 8 9 19 15 3 6 2 1
19个星团 - 好多了！
现在说我有一个“已知集群”，其中包含其成员列表，并希望检查每个观察到的集群中是否存在来自“已知集群”的成员。返回找到的成员百分比。无法完成以下??
list<-read.csv("http://dl.dropbox.com/u/23776534/knownlist.csv")
ength(all_wt_memb$csize) #19
for(i in 1:length(all_wt_memb$csize))
{
match((V(all)[all_wt_memb$membership== i]),list)
}
答案 0 :(得分：5)
通过仔细查看您正在使用的功能的文档，可以发现其中的几个问题。例如，“值”部分中的clusters文档描述了从函数返回的内容，其中一些回答了您的问题。除了文档之外，您始终可以使用str函数来分析任何特定对象的构成。
话虽这么说，为了获得特定社区中的成员或成员数量，您可以查看membership函数返回的clusters对象（您已经用它来指定颜色） ）。如下所示：
summary(clusters(all2)$membership)
将描述正在使用的集群的ID。对于样本数据，看起来您拥有ID范围为0到585的群集，总共586个群集。 （请注意，您将无法使用当前使用的着色方案非常准确地显示它们。）
要确定每个群集中的顶点数，您可以查看csize返回的clusters组件。在这种情况下，它是一个长度为586的向量，为每个计算的簇存储一个大小。所以你可以使用
clusters(all2)$csize
获取群集大小的列表。请注意，如前所述，您的clusterID从0（“零索引”）开始，而R向量从1开始（“一个索引”），因此您需要将这些索引移一。例如，clusters(all2)$csize[5]返回ID为4的集群大小。
要列出任何群集中的顶点，您只想查找前面提到的membership组件中的哪些ID与相关群集匹配。因此，如果我想在群集＃128中找到顶点（根据clusters(all2)$csize[129]，其中有21个），我可以使用：
which(clusters(all2)$membership == 128)
length(which(clusters(all2)$membership == 128)) #21
并检索该集群中的顶点，我可以使用V函数并传入我刚刚计算出的那些集群成员的索引：
> V(all2)[clusters(all2)$membership == 128]
Vertex sequence:
[1] "625591221 - Clare Clancy"
[2] "100000283016052 - Podge Mooney"
[3] "100000036003966 - Jennifer Cleary"
[4] "100000248002190 - Sarah Dowd"
[5] "100001269231766 - LirChild Surfwear"
[6] "100000112732723 - Stephen Howard"
[7] "100000136545396 - Ciaran O Hanlon"
[8] "1666181940 - Evion Grizewald"
[9] "100000079324233 - Johanna Delaney"
[10] "100000097126561 - Órlaith Murphy"
[11] "100000130390840 - Julieann Evans"
[12] "100000216769732 - Steffan Ashe"
[13] "100000245018012 - Tom Feehan"
[14] "100000004970313 - Rob Sheahan"
[15] "1841747558 - Laura Comber"
[16] "1846686377 - Karen Ni Fhailliun"
[17] "100000312579635 - Anne Rutherford"
[18] "100000572764945 - Lit Đ Jsociety"
[19] "100003033618584 - Fall Ball"
[20] "100000293776067 - James O'Sullivan"
[21] "100000104657411 - David Conway"
这将涵盖您所拥有的基本igraph问题。其他问题更多与图论相关。我不知道如何监督使用iGraph创建的集群数量，但是有人可能会指出一个能够做到这一点的软件包。您可以在此处或在其他地点将更多成功发布为单独的问题。
关于你想要遍历所有可能社区的第一点，我想你会发现对于一个显着大小的图表是不可行的。 5个不同聚类的membership向量的可能排列的数量将是5 ^ n，其中n是图的大小。如果你想找到“所有可能的社区”，那么这个数字实际上是O（n ^ n），如果我的心理数学是正确的。从本质上讲，即使给出了大量的计算资源，也无法在任何合理大小的网络上进行详尽的计算。所以我认为你最好使用某种智能/优化来确定图表中代表的社区数量，就像clusters函数那样。
答案 1 :(得分：1)
关于＆＃34;如何控制社区数量＆＃34;在OPs问题中，我使用社区上的cut_at函数将生成的层次结构剪切成所需数量的组。我希望有人可以证实我正在做一些理智的事情。即，请考虑以下事项：
#Generate graph
adj.mat<- matrix(,nrow=200, ncol=200) #empty matrix
set.seed(2)
##populate adjacency matrix
for(i in 1:200){adj.mat[i,sample(rep(1:200), runif(1,1,100))]<-1}
adj.mat[which(is.na(adj.mat))] <-0
for(i in 1:200){
adj.mat[i,i]<-0
}
G<-graph.adjacency(adj.mat, mode='undirected')
plot(G, vertex.label=NA)
##Find clusters
walktrap.comms<- cluster_walktrap(G, steps=10)
max(walktrap.comms$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
现在，请注意有43组，但我们想要更粗糙的切割因此，检查树形图：
plot(as.hclust(walktrap.comms), label=F)
并根据它进行削减。我随意选择了6个削减但是，你现在拥有更粗糙的群集
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