原文链接：http://tecdat.cn/?p=18770
为了用R来处理网络数据，我们使用婚礼数据集。
-
-
> nflo=network(flo,directed=FALSE)
-
> plot(nflo, displaylabels = TRUE,
-
+ boxed.labels =
-
+ FALSE)
下一步是igraph。由于我们有邻接矩阵，因此可以使用它
-
-
graph_from_adjacency_matrix(
flo,
-
+ mode =
"undirected")
我们可以在两个特定节点之间获得最短路径。我们给节点赋予适当的颜色
-
all_shortest_paths(
iflo,
-
)
-
-
-
> plot(
iflo)
我们还可以可视化边，需要从输出中提取边缘
-
> lins=c(
paste(
as.character(
L)[
1:
4],
-
+
"--"
-
+ as.character(
L)[
2:
5] sep=
"" ,
-
+ paste(
as.character(
L)
2:
5],
-
+
"--",
-
-
> E(
ifl )$color=c(
"grey",
"black")[
1+EU]
-
> plot(
iflo)
也可以使用D3js可视化
-
> library(
networkD3 )
-
> simpleNetwork (
df)
下一个问题是向网络添加一个顶点。最简单的方法是通过邻接矩阵实现概率
-
-
>
flo2["f","v"]=1
-
>
flo2["v","f"]=1
然后，我们进行集中度测量。
目的是了解它们之间的关系。
-
betweenness(ilo)
-
-
>
cor(base)
-
betw
close
deg
eig
-
betw
1.0000000
0.5763487
0.8333763
0.6737162
-
close
0.5763487
1.0000000
0.7572778
0.7989789
-
deg
0.8333763
0.7572778
1.0000000
0.9404647
-
eig
0.6737162
0.7989789
0.9404647
1.0000000
可以使用层次聚类图来可视化集中度度量
-
hclust(
dist(
ase ,
-
+ method=
"ward")
查看集中度度量的值，查看排名
-
-
> for(i in 1:4) rbase[,i]=rank(base[,i])
在此，特征向量测度非常接近顶点的度数。
最后，寻找聚类（以防这些家庭之间爆发战争）
> kc <- fastgreedy.community ( iflo )在这里，我们有3类
最受欢迎的见解
1.采用spss-modeler的web复杂网络对所有腧穴进行分析
3.R语言文本挖掘NASA数据网络分析，tf-idf和主题建模
5.python隶属关系图模型 基于模型的网络中密集重叠社区检测
转载：https://blog.csdn.net/qq_19600291/article/details/105467589
查看评论