将集合聚类（ecg）和graphaware度量（gam）添加到igraph。
partition-igraph的Python项目详细描述
图的划分与测度
Python3代码实现了11个图形感知度量（gam），用于比较图划分以及一个稳定的基于集成的图划分算法（ecg）。这个版本与igraph包一起工作。还提供了networkx的一个版本：partition networkx。在
gam感知（图形）
措施分别是：
- “rand”：rand索引
- “jaccard”：jaccard索引
- “mn”：用均值函数规范化的成对相似性
- gmn：几何平均函数规范化的成对相似性
- min：用最小函数规范化的成对相似性
- max：用极大值函数规范化的成对相似性
除“jaccard”外，每个度量值都可以调整（推荐）或不进行调整。 详情请参阅：
Valérie Poulin和François Théberge，“比较图聚类：集划分度量与图形感知度量”，https://arxiv.org/abs/1806.11494。在
图的集成聚类（ecg）
这是一个好的，稳定的图划分算法。有关ecg的详细信息，请参阅：
Valérie Poulin和François Théberge，“图的集成聚类：比较和应用”，Appl Netw Sci 4，51（2019年）。 https://doi.org/10.1007/s41109-019-0162-z
示例
我们需要导入提供的Python文件分区图。在
import numpy as np import igraph as ig import partition_igraph
接下来，让我们构建一个社区图。在
^{pr2}$运行Louvain和ecg：
ml=g.community_multilevel()ec=g.community_ecg(ens_size=32)
最后，我们展示了几个可以用gam计算的度量示例：
## for 'gam' partition are either 'igraph.clustering.VertexClustering' or 'dict'print('Adjusted Graph-Aware Rand Index for Louvain:',g.gam(ml,tc))print('Adjusted Graph-Aware Rand Index for ECG:',g.gam(ec,tc))print('\nJaccard Graph-Aware for Louvain:',g.gam(ml,tc,method="jaccard",adjusted=False))print('Jaccard Graph-Aware for ECG:',g.gam(ec,tc,method="jaccard",adjusted=False))
- 项目
标签：
欢迎加入QQ群-->： 979659372
