每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~
———————————————————————————
社群划分跟聚类差不多，参照《R语言与网站分析》第九章，社群结构特点：社群内边密度要高于社群间边密度，社群内部连接相对紧密，各个社群之间连接相对稀疏。
社群发现有五种模型：点连接、随机游走、自旋玻璃、中间中心度、标签发现。
评价社群三个指标：模块化指标Q、网络聚类系数、网络密度。
画图有三种方法：直接plot、书中自编译函数、SVG。
———————————————————————————————————
不同社群划分模型的区别
| 社群模型 | 概念 | 效果 |
| 点连接 | 某点与某社群有关系就是某社群的 | 最差，常常是某一大类超级多 |
| 随机游走 | 利用距离相似度，用合并层次聚类方法建立社群 | 运行时间短，但是效果不是特别好，也会出现某类巨多 |
| 自旋玻璃 | 关系网络看成是随机网络场，利用能量函数来进行层次聚类 | 耗时长，适用较为复杂的情况 |
| 中间中心度 | 找到中间中心度最弱的删除，并以此分裂至到划分不同的大群落 | 耗时长，参数设置很重要 |
| 标签传播 | 通过相邻点给自己打标签，相同的标签一个雷 | 跟特征向量可以组合应用，适用于话题类 |
———————————————————————————————————
一、社群发现模型
1、基于点连接的社群发现——clusters
如果一个点与社群有联系则放在一个网络中，简单易懂，耗时短，但是分类效果并不特别好。
clusters(g.dir,mode="weak")mode是用来选择强关联还是弱关联，weak or strong.
2、随机游走的社群发现
member<-walktrap.community(g.undir,weights=E(g)$weight,step=4)3、自旋玻璃社群发现
member<-spinglass.community(g.undir,weights=E(g.undir)$weight,spins=2)
#需要设置参数weights，因为无默认值这个社群分类函数有了自己定义分类数量的效果。
4、中间中心度社群发现
member<-edge.betweenness.community(g.undir,weight=E(g)$weight,directed=F)有默认的线权重，并且默认是无向线的，directed=T时就代表有向线。
5、传播标签社群发现
#社群发现方法五：标签传播社群发现
member<-label.propagation.community(g.undir,weights=V(g.undir)$weight)
V(g.undir)$member
member<-label.propagation.community(g.undir,weights = E(g.undir)$weight,initial = c(1,1,-1,-1,2,-1,1))
V(g.undir)$member
member<-label.propagation.community(g.undir,weights = E(g.undir)$weight,initial = c(1,1,-1,-1,2,-1,1),fixed=c(T,F,F,F,F,F,T))
initial是社群初始化函数，默认为-1（不设置初始值），当然这里你也可以设置；如initial=c(1,1,-1,-1,2)就代表1,2个数为社群1；3、4不设置初始值；5个为社群2
fixed是用来固定函数的，当然如果没有设定初始值，如3.4.6则T，F都无效；如果设定了初始值，T则代表固定在原设定上。
———————————————————————————————————
二、衡量社群的指标
1、模块化指标Q——modularity
相当于是组内误差。
modularity(g.undir,membership=c(1,1,1,2,2,2,2)) #社群总差异，membership设置社群号membership是每个点的各自分组情况。
2、网络聚类系数——transitivity
按照图形理论，聚集系数是表示一个图形中节点聚集程度的系数，一个网络一个值。
transitivity(g)比如c(1,2,2,3,3,1)=1；c(1,2,2,3,3,1,1,4,4,3)=0.75，他是衡量是否有loop，能否找到循环到自己的线，三元组。
3、网络密度——graph.density
跟网路聚类系数差不多，也是用来形容网络的结构复杂程度。越大，说明网络越复杂，说明网络越能够放在一块。
graph.density(g.zn)
graph.density(group1)
graph.density(group2)
#从中可以看到不同社群与整体之间的网络密度情况（关联程度）———————————————————————————————————
三、画 图
由于关系网络图很复杂，而且数据量一大，小的图片形式网路图基本就是一坨浆糊。所以这里JPEG一定要足够大，最好的就是SVG格式。SVG格式的好处就是矢量图，你可以自己放大缩小，而且还可以用工具进行修改。但是最不好就是，一般的工具还打开不了，要用一些特有的工具，打开之后也会出现一些问题。
当然你是可以直接plot的。
1、直接plot
plot(g.test,layout=layout.fruchterman.reingold,edge.arrow.size=0.1,vertex.color=rainbow(7,alpha=0.3),edge.arrow.mode = "-")代码解读：edge.arrow.size=0.1箭头大小；
vertex.color=rainbow(7,alpha=0.3)颜色，七种；
edge.arrow.mode = "-"连接方式用-。
其中还有很多参数类型：
#vertex.size=1表示节点的大小
#layout表示布局方式（发散性）
#vertex.label=NA,不显示任何点信息，默认显示idx号
#vertex.color=V(g)$color 点的颜色设置
#mark.groups表示设置分组
#vertex.shape='none'不带边框
#vertex.label.cex=1.5, #节点字体大小
#vertex.label.color='red'
#edge.arrow.size=0.7 #连线的箭头的大小
#edge.color = grey(0.5)#线的颜色
#edge.arrow.mode = "-" 箭头换成线
#vertex.label.dist=5 点标签和节点之间的距离一般0.1，便于错开重叠2、简易画图自编译函数
R语言与网站分析中还专门写了一个画图函数。
plot.membership<-function(graph,membership,main=""){V(graph)$member<-membershipmem.col<-rainbow(length(unique(membership)),alpha=0.3)V(graph)$color<-mem.col[membership]plot(graph,edge.width=E(graph)$weight,vertex.color=V(graph)$color,main=main)
}函数需要输入三样东西（关系网络，分组情况，标题）。这里借助上面的社群分类都是可以得到的。用点连接来举个例子：
plot.membership(g.undir,clusters(g.undir)$membership,"无向图的社群发现")3、SVG如何画高质量图
画一个好看的图你需要考虑这么几个问题：
不同重要性的点是否需要不同的大小？——V(g)$size
重要的点是否要加入其名字标签？——V(g)$label
不同社群的点，是否需要不同的颜色？——V(g)$member
（1）设置点大小
V(gg)$size = 5
V(gg)[degree(g)>=3000]$size = 15其他节点尺寸都是5，而点度数大于3000的节点尺寸是15；
（2）设置不同社群颜色
mem.col<-rainbow(length(unique(V(g)$member)),alpha = 0.3)
V(g)$color<-mem.col[V(g)$member]第二句话是将每个点附上颜色。
（3）设置重点词标签
V(g)$label=NA
V(g)[degree(g)>=3000]$label=V(gg)[degree(g)>=3000]$name非重点词不给标签，重点词点度大于3000的给标签名字。
最后的SVG画图函数就是：
svg(filename=paste("C:/Users/long/Desktop","/1.svg",sep = ""),width = 40,height = 40)
plot(data.g,layout=layout.fruchterman.reingold,vertex.color=V(g)$color,vertex.label=V(g)$label,<span style="font-family: Arial, Helvetica, sans-serif;">vertex.size=V(g)$size</span>)
dev.off()其中layout.fruchterman.reingold是发散式的布局方式。
每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~
———————————————————————————
