如何使用图聚类Python开源工具

本篇内容介绍了“如何使用图聚类Python开源工具”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!

成都创新互联公司是专业的乐亭网站建设公司,乐亭接单;提供网站建设、成都网站制作,网页设计,网站设计,建网站,PHP网站建设等专业做网站服务;采用PHP框架,可快速的进行乐亭网站开发网页制作和功能扩展;专业做搜索引擎喜爱的网站,专业的做网站团队,希望更多企业前来合作!

最近,又有一款Python可视化工具火了。

如何使用图聚类Python开源工具

这一次,功能是针对图聚类问题的社群结构进行检测、可视化。

如何使用图聚类Python开源工具

该项目的帖子在reddit上一经发布,就被顶到了“机器学习板块”的榜首。

如何使用图聚类Python开源工具

一起来看看它究竟都能用来做什么吧~

功能亮点

这款工具叫做communities, 是一个Python库,用于图聚类问题的社群结构检测。

它支持多种算法,包括:

  •  Louvain算法;

  •  Girvan-Newman算法;

  •  层次聚类算法;

  •  光谱聚类算法;

  •  Bron-Kerbosch算法。

更赞的是,communities还可以实现这些算法的可视化。

具体了解一下~

导入算法并插入矩阵

这里以Louvain算法为例。

这是一种基于模块度的社群发现算法,也是贪心算法。

它根据顶点的共享边将顶点排列成社群结构,也就是说,它将节点分为几个社群,每个社群之间共享很少的连接,但是同一社群的节点之间共享许多连接。

最终,让整个社群网络呈现出一种模块聚集的结构,实现整个社群网络的模块度的最大化。

所以首先,我们需要构建一个表示无向图的邻接矩阵,可以加权,也可以不加权,矩阵为2Dnumpy数组。

n*n矩阵则表示有n个节点,矩阵的每个位置分别表示各节点之间边的关系,有边则为1,没有边则为0。

然后,只需从communities.algorithms中导入算法并插入矩阵。

import numpy as np  from communities.algorithms import louvain_method  adj_matrix = np.array([[0, 1, 1, 0, 0, 0],                         [1, 0, 1, 0, 0, 0],                         [1, 1, 0, 1, 0, 0],                         [0, 0, 1, 0, 1, 1],                         [0, 0, 0, 1, 0, 1],                         [0, 0, 0, 1, 1, 0]])  communities, _ = louvain_method(adj_matrix)  # >>> [{0, 1, 2}, {3, 4, 5}]

接下来输出社群列表,每个社群即为一组节点。

现可视化,并进行颜色编码

利用communities将图进行可视化,将节点分到社群中并进行颜色编码,还可以选择深色或浅色背景、保存图片、选择图片的分辨率等等 。

draw_communities(adj_matrix : numpy.ndarray, communities : list, dark : bool = False, filename : str = None, seed : int = 1)

其中各参数的具体含义为:

  •  adj_matrix (numpy.ndarray):图的邻接矩阵;

  •  dark (bool, optional (default=False)):如果为 True, 则绘图为深色背景,否则为浅色背景;

  •  filename (str or None, optional (default=None)):通过 filename 路径可以将图另存为PNG格式; 设置 None 则是用交互方式显示图;

  •  dpi (int or None, optional (default=None)):每英寸的点数,控制图像的分辨率;

  •  seed (int, optional (default=2)):随机种子。

具体到Louvain算法的可视化,代码是这样的:

from communities.algorithms import louvain_method  from communities.visualization import draw_communities  adj_matrix = [...]  communities, frames = louvain_method(adj_matrix)  draw_communities(adj_matrix, communities)

如何使用图聚类Python开源工具

动画呈现算法

communities 还可以动画呈现节点分配到社群的过程。

louvain_animation(adj_matrix : numpy.ndarray, frames : list, dark : bool = False, duration : int = 15, filename : str = None, dpi : int = None, seed : int = 2)

其中各参数的含义如下:

  •  adj_matrix (numpy.ndarray):图的邻接矩阵;

  •  frames (list):算法每次迭代的字典列表;

  •  每个字典都有俩个键:“C”包含节点到社群的查找表,“Q”表示图的模块度数值;

  •  此字典列表是 louvain_method的第二个返回值;

  •  dark (bool, optional (default=False)):如果为 True, 则动画为深色背景和配色方案,否则为浅色方案;

  •  duration (int, optional (default=15)):动画所需的持续时间,以秒为单位;

  •  filename (str or None, optional (default=None)):通过filename 路径将动画存为GIF;设置None则以交互方式展示动画;

  •  dpi (int or None, optional (default=None)):每英寸点数,控制动画的分辨率;

  •  seed (int, optional (default=2)):随机种子。

例如,空手道俱乐部网络中Louvain算法的动画呈现:

from communities.algorithms import louvain_method  from communities.visualization import louvain_animation  adj_matrix = [...]  communities, frames = louvain_method(adj_matrix) louvain_animation(adj_matrix, frames)

如何使用图聚类Python开源工具

我们可以看到Louvain算法的动态过程:

  •  首先扫描数据中的所有节点,将每个节点看做一个独立的社群;

  •  接下来,遍历每个节点的邻居节点,判断是否将该节点加入邻居节点所在的社群,以提升模块度;

  •  这一过程重复迭代,直到每一个节点的社群归属稳定;

  •  最后,将所有在同一个社群的节点压缩成一个新节点,计算新节点的权重,直到整个图的模块度稳定。

大家可以通过文末链接,自行尝试一下其他算法~

“如何使用图聚类Python开源工具”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站,小编将为大家输出更多高质量的实用文章!


网站题目:如何使用图聚类Python开源工具
文章来源:http://pwwzsj.com/article/jiscoi.html