The dataset is included the network matrix and attribute data frame.
Network dataset has 3 data set itself, that I just want to work on PrinFull dataset and also just PRIN attribute data. my data is uploaded in this two link below.
I added all attribute on my data set.
https://drive.google.com/file/d/1MZCdeAZF0joIQLwVeoVXmKpf7r8IJ2wq/view?usp=sharing https://drive.google.com/file/d/1MZCdeAZF0joIQLwVeoVXmKpf7r8IJ2wq/view?usp=sharing https://drive.google.com/file/d/1I96BAUo8TjJMWCWpn_SIhp54snfZ0Bd5/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，但是我的图很乱并且难以理解。我怎样才能以更好的方式绘制？谁能帮我？
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 2839 个节点和 9379 个链接。 屏幕上没有那么多空间。尽管如此，我还是有一些建议 这可能比仅仅将图表传递到绘图中提供更多的见解。
首先，快速浏览一下您的图就会发现该图不是由单个 连接的组件。
COMP = components(PRIN_graph)
table(COMP$membership)
1 2 3 4 5 6 7 8 9 10 11 12 13 14
2696 42 2 4 18 13 2 7 7 2 3 2 2 2
15 16 17 18 19 20 21 22 23 24 25 26 27
2 6 14 3 1 1 1 2 1 3 1 1 1
因此 2696 个节点位于单个大型组件中，其余 143 个节点位于 分为 26 个小组件。大组件2696个节点不堪重负 较小的组件和 26 个小组件会造成视觉混乱 对于大组件。让我们将 26 个小组件分开。
SC = which(COMP$membership != 1)
SmallComps = induced_subgraph(PRIN_graph, SC)
现在很容易看到所有这些小组件的社区结构。
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，现在让我们看看主要的部分。
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
但简单地策划仍然会造成混乱。
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该图的外观：
社区分离和社区收缩。
分离社区
基于之前的这个答案 https://stackoverflow.com/a/52672660/4752675, 我们可以将同一社区组中的顶点放置在一起并做出不同的 社区之间的距离越来越远。
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)
这使得社区更好地脱颖而出，但这仍然相当困难 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即可。在这里，我将每个区域的面积 社区顶点与该社区的成员数量成正比 我根据顶点的度数使用粗分组对顶点进行着色。
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，有些社区几乎无法与其他社区建立联系，而有些社区则几乎无法与其他社区建立联系。 连接得很好。这些可视化都不是完美的，但我希望它们可以提供对结构和关系的一些见解。