如何使用圖聚類Python開源工具

本篇內容介紹了“如何使用圖聚類Python開源工具”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

最近，又有一款Python可視化工具火了。

這一次，功能是針對圖聚類問題的社群結構進行檢測、可視化。

該項目的帖子在reddit上一經發布，就被頂到了“機器學習板塊”的榜首。

一起來看看它究竟都能用來做什么吧~

功能亮點

這款工具叫做communities， 是一個Python庫，用于圖聚類問題的社群結構檢測。

它支持多種算法，包括：

•  Louvain算法；

•  Girvan-Newman算法；

•  層次聚類算法；

•  光譜聚類算法；

•  Bron-Kerbosch算法。

更贊的是，communities還可以實現這些算法的可視化。

具體了解一下～

導入算法并插入矩陣

這里以Louvain算法為例。

這是一種基于模塊度的社群發現算法，也是貪心算法。

它根據頂點的共享邊將頂點排列成社群結構，也就是說，它將節點分為幾個社群，每個社群之間共享很少的連接，但是同一社群的節點之間共享許多連接。

最終，讓整個社群網絡呈現出一種模塊聚集的結構，實現整個社群網絡的模塊度的最大化。

所以首先，我們需要構建一個表示無向圖的鄰接矩陣，可以加權，也可以不加權，矩陣為2Dnumpy數組。

n*n矩陣則表示有n個節點，矩陣的每個位置分別表示各節點之間邊的關系，有邊則為1，沒有邊則為0。

然后，只需從communities.algorithms中導入算法并插入矩陣。

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}]

接下來輸出社群列表，每個社群即為一組節點。

實現可視化，并進行顏色編碼

利用communities將圖進行可視化，將節點分到社群中并進行顏色編碼，還可以選擇深色或淺色背景、保存圖片、選擇圖片的分辨率等等 。

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

其中各參數的具體含義為：

•  adj_matrix (numpy.ndarray)：圖的鄰接矩陣；

•  dark (bool, optional (default=False))：如果為 True, 則繪圖為深色背景，否則為淺色背景；

•  filename (str or None, optional (default=None))：通過 filename 路徑可以將圖另存為PNG格式; 設置 None 則是用交互方式顯示圖；

•  dpi (int or None, optional (default=None))：每英寸的點數，控制圖像的分辨率；

•  seed (int, optional (default=2))：隨機種子。

具體到Louvain算法的可視化，代碼是這樣的：

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)

動畫呈現算法

communities 還可以動畫呈現節點分配到社群的過程。

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

其中各參數的含義如下：

•  adj_matrix (numpy.ndarray)：圖的鄰接矩陣；

•  frames (list)：算法每次迭代的字典列表；

•  每個字典都有倆個鍵：“C”包含節點到社群的查找表，“Q”表示圖的模塊度數值；

•  此字典列表是 louvain_method的第二個返回值；

•  dark (bool, optional (default=False))：如果為 True, 則動畫為深色背景和配色方案，否則為淺色方案；

•  duration (int, optional (default=15))：動畫所需的持續時間，以秒為單位；

•  filename (str or None, optional (default=None))：通過filename 路徑將動畫存為GIF；設置None則以交互方式展示動畫；

•  dpi (int or None, optional (default=None))：每英寸點數，控制動畫的分辨率；

•  seed (int, optional (default=2))：隨機種子。

例如，空手道俱樂部網絡中Louvain算法的動畫呈現：

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)

我們可以看到Louvain算法的動態過程：

•  首先掃描數據中的所有節點，將每個節點看做一個獨立的社群；

•  接下來，遍歷每個節點的鄰居節點，判斷是否將該節點加入鄰居節點所在的社群，以提升模塊度；

•  這一過程重復迭代，直到每一個節點的社群歸屬穩定；

•  最后，將所有在同一個社群的節點壓縮成一個新節點，計算新節點的權重，直到整個圖的模塊度穩定。

大家可以通過文末鏈接，自行嘗試一下其他算法～

“如何使用圖聚類Python開源工具”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！