Détection de communautés dans Networkx

Je suis étudiant à propos de la détection de communautés dans les réseaux.

Je suis l'utiliser igraph et Python

Pour le nombre optimal de communautés en termes de modularité mesure:

from igraph import *
karate = Nexus.get("karate")
cl = karate.community_fastgreedy()
cl.as_clustering().membership

Pour fournir le nombre désiré de communautés:

from igraph import *
karate = Nexus.get("karate")
cl = karate.community_fastgreedy()
k=2
cl.as_clustering(k).membership

Cependant, je tiens à le faire à l'aide de networkx. Je sais que d'optimaliser le nombre de communautés en termes de modularité mesure:

import community # --> http://perso.crans.org/aynaud/communities/
import fastcommunity as fg # --> https://networkx.lanl.gov/trac/ticket/245
import networkx as nx

g = nx.karate_club_graph()
partition = community.best_partition(g)
print "Louvain Modularity: ", community.modularity(partition, g)
print "Louvain Partition: ", partition

cl = fg.communityStructureNewman(g)
print "Fastgreed Modularity: ", cl[0]
print "Fastgreed Partition: ", cl[1]

Mais je ne peux pas obtenir le nombre désiré de communautés. Existe-il un algorithme pour cela, à l'aide de Networkx?

C'est un très récents travaux, mais il est extrêmement utile: journals.aps.org/prl/abstract/10.1103/PhysRevLett.117.078301

OriginalL'auteur Alan Valejo | 2014-02-27

  1. 3

    Je suis aussi nouvelle pour networkx et igraph, j'ai utilisé Gephi, un outil de visualisation de données/logiciel. Et il a le même algorithme de détection de communautés comme celle networkx vous êtes maintenant en utilisant. Plus précisément, dans http://perso.crans.org/aynaud/communities/

    Il utilise le louvain méthode décrite dans le Rapide déploiement de communautés dans les grands réseaux, Vincent D Blondel, Jean-Loup Guillaume, Renaud Lambiotte, Renaud Lefebvre, Journal de la Mécanique Statistique: Théorie et de l'Expérience De 2008(10), P10008 (12pp)

    Vous ne pouvez pas obtenir le nombre désiré de communautés, que je sache, il y a deux façons peine d'essayer:

    • Utilisation Gephi. Vous pouvez utiliser gephi et il y a un paramètre appelé resolution qui allait changer la taille de la communauté que vous obtenez.
    • Utilisation NetworkX. Cette fois, nous ne pouvons pas utiliser best_partition(G) plus. Mais l'utilisation partition_at_level(dendrogram, level) , je suppose que cela pourrait aider.

    Vérifier la le code source ici pour plus d'info.

    NetworkX n'a pas de détection de communautés. Il vient tout community, qui s'appuie sur NetworkX. Plus précisément, best_partition() est community.best_partition().

    OriginalL'auteur zihaolucky

  2. 1

    Peut-être que je suis malentendu vous, mais si vous souhaitez le nombre de communautés de sortie par le NetworkX mise en œuvre de la best_partition algorithme, il suffit de noter que best_partition(G) donne un dictionnaire avec des nœuds comme les touches et leur numéro de partition de la valeur.

    Vous pouvez compter le nombre de valeurs uniques dans un dictionnaire comme cela (probablement pas optimale):

    dict = {'a':1,'b':1,'c':2,'d':1,'e':3,'f':4,'g':5}
count=list(set([i for i in dict.values()]))
print count
print len(count)

    Avec un résultat

    [1, 2, 3, 4, 5]
5
    Je pense que l'OP est intéressé à affirmer a priori le nombre de communautés afin de détecter, de ne pas recevoir le nombre optimal de communautés

    OriginalL'auteur Johannes Wachs