网络中的社区检测

Question

我在研究网络中的检测社区。

我用的是igraph和Python

对于模块化度量中的最佳社区数：

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

提供所需数量的社区：

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

不过，我喜欢使用networkx来完成这项工作。我知道根据模块化度量得到最佳社区数：

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]

但我无法得到想要的社区数量。使用Networkx有什么算法吗？

Answer 1

我也是networkx和igraph的新手，我使用了Gephi，一个数据可视化工具/软件。它和你现在使用的networkx中的社区检测算法一样。具体来说，在http://perso.crans.org/aynaud/communities/

It uses the louvain method described in Fast unfolding of communities in large networks, Vincent D Blondel, Jean-Loup Guillaume, Renaud Lambiotte, Renaud Lefebvre, Journal of Statistical Mechanics: Theory and Experiment 2008(10), P10008 (12pp)

你无法获得理想数量的社区，我知道，有两种方法值得尝试：

• 使用Gephi。您可以使用gephi，并且有一个名为resolution的参数可以更改您获得的社区的大小。
• 使用NetworkX。这次，我们可能不再使用best_partition(G)。但是使用partition_at_level(dendrogram, level)，我想这可能会有帮助。

查看这里的source code了解更多信息。

Answer 2

也许我误解了您的意思，但是如果您希望NetworkX实现的best_partition算法输出的社区数，请注意best_partition（G）给出了一个以节点为键、分区数为值的字典。

您可以这样计算字典中唯一值的数量（可能不是最佳值）：

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)

有结果的

[1, 2, 3, 4, 5]
5