Scikit-network-06：聚类

最新推荐文章于 2024-04-15 10:00:58 发布
最新推荐文章于 2024-04-15 10:00:58 发布
阅读量268 收藏
点赞数
分类专栏： # Scikit-network 文章标签： python scikit-network 图 聚类 lpa
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/uncle_ll/article/details/128673643
版权

聚类

Louvain

下面说明Louvain算法的图聚类。

from IPython.display import SVG
import numpy as np
from sknetwork.data import karate_club, painters, movie_actor
from sknetwork.clustering import Louvain, get_modularity
from sknetwork.linalg import normalize
from sknetwork.utils import get_membership
from sknetwork.visualization import svg_graph, svg_bigraph
图
graph = karate_club(metadata=True)
adjacency = graph.adjacency
position = graph.position

louvain = Louvain()
labels = louvain.fit_transform(adjacency)

labels_unique, counts = np.unique(labels, return_counts=True)
print(labels_unique, counts)

image = svg_graph(adjacency, position, labels=labels)
SVG(image)

[0 1 2 3] [12 11  6  5]

在这里插入图片描述

# 衡量metric-模块度
modularity(adjacency, labels)
# 0.4188034188034188

# 团内聚合
adjacency_aggregate = louvain.aggregate_

average = normalize(membership_matrix(labels).T)

position_aggregate = average.dot(position)
image = svg_graph(
    adjacency_aggregate, position_aggregate, counts,
    labels=labels_uniq, display_edge_weight=True, node_weights=counts)
SVG(image)

在这里插入图片描述

# soft clustering (here probability of label 1), 对标签1里面进一步的进行聚类
scores = louvain.membership_[:,1].toarray().ravel()
image = svg_graph(adjacency, position, scores=scores)
SVG(image)

在这里插入图片描述

有向图
graph = painters(metadata=True)
adjacency = graph.adjacency
names = graph.names
position = graph.position

# clustering
louvain = Louvain()
labels = louvain.fit_transform(adjacency)

labels_unique, counts = np.unique(labels, return_counts=True)
print(labels_unique, counts)

image = svg_digraph(adjacency, position, names=names, labels=labels)
SVG(image)

[0 1 2] [5 5 4]

在这里插入图片描述

# metric
modularity(adjacency, labels)

# aggregate graph
adjacency_aggregate = louvain.aggregate_

average = normalize(membership_matrix(labels).T)
position_aggregate = average.dot(position)
labels_unique, counts = np.unique(labels, return_counts=True)

image = svg_digraph(adjacency_aggregate, position_aggregate, counts, labels=labels_unique,
                    display_node_weight=True, node_weights=counts)
SVG(image)

在这里插入图片描述

# soft clustering
scores = louvain.membership_[:,1].toarray().ravel()

image = svg_graph(adjacency, position, scores=scores)
SVG(image)

在这里插入图片描述

二部图
graph = movie_actor(metadata=True)
biadjacency = graph.biadjacency
names_row = graph.names_row
names_col = graph.names_col
names_row, names_col

(array(['Inception', 'The Dark Knight Rises', 'The Big Short', 'Drive',
        'The Great Gatsby', 'La La Land', 'Crazy Stupid Love', 'Vice',
        'The Grand Budapest Hotel', 'Aviator', '007 Spectre',
        'Inglourious Basterds', 'Midnight In Paris',
        'Murder on the Orient Express', 'Fantastic Beasts 2'], dtype='<U28'),
 array(['Leonardo DiCaprio', 'Marion Cotillard', 'Joseph Gordon Lewitt',
        'Christian Bale', 'Ryan Gosling', 'Brad Pitt', 'Carey Mulligan',
        'Emma Stone', 'Steve Carell', 'Lea Seydoux', 'Ralph Fiennes',
        'Jude Law', 'Willem Dafoe', 'Christophe Waltz', 'Johnny Depp',
        'Owen Wilson'], dtype='<U20'))

# cluster
louvain = Louvain()
louvain.fit(biadjacency)
labels_row = louvain.labels_row_
labels_col = louvain.labels_col_
labels_row, labels_col

(array([3, 3, 1, 4, 4, 1, 1, 1, 0, 2, 0, 0, 0, 2, 2]),
 array([2, 3, 3, 1, 1, 0, 4, 1, 1, 0, 0, 2, 2, 0, 2, 0]))

image = svg_bigraph(biadjacency, names_row, names_col, labels_row, labels_col)
SVG(image)

在这里插入图片描述

# metric
bimodularity(biadjacency, labels_row, labels_col)
# 0.5742630385487529

# aggregate graph
biadjacency_aggregate = louvain.aggregate_

labels_unique_row, counts_row = np.unique(labels_row, return_counts=True)
labels_unique_col, counts_col = np.unique(labels_col, return_counts=True)

image = svg_bigraph(
    biadjacency_aggregate, counts_row, counts_col, labels_unique_row, labels_unique_col,
    display_node_weight=True, node_weights_row=counts_row, node_weights_col=counts_col)
SVG(image)

在这里插入图片描述

在标签1里进行软聚类

# soft cluster
scores_row = louvain.membership_row_[:,1].toarray().ravel()
scores_col = louvain.membership_col_[:,1].toarray().ravel()
image = svg_bigraph(biadjacency, names_row, names_col, scores_row=scores_row, scores_col=scores_col)
SVG(image)

在这里插入图片描述

Propagation|标签传播

介绍标签传播的图聚类。

from IPython.display import SVG
import numpy as np
from sknetwork.data import karate_club, painters, movie_actor
from sknetwork.clustering import PropagationClustering, modularity, bimodularity
from sknetwork.linalg import normalize
from sknetwork.utils import bipartite2undirected, membership_matrix
from sknetwork.visualization import svg_graph, svg_digraph, svg_bigraph
图
graph = karate_club(metadata=True)
adjacency = graph.adjacency
position = graph.position

propagation = PropagationClustering()
labels = propagation.fit_transform(adjacency)

labels_unique, counts = np.unique(labels, return_counts=True)
print(labels_unique, counts)
# [0 1] [19 15], 聚类为2类，后面跟的是个数

在这里插入图片描述

# metric, 模块度
modularity(adjacency, labels)
# 0.35231755424063116

# aggregate graph 压缩图
adjacency_aggregate = propagation.aggregate_

average = normalize(membership_matrix(labels).T)
position_aggregate = average.dot(position)
labels_unique, counts = np.unique(labels, return_counts=True)

image = svg_graph(
    adjacency_aggregate, position_aggregate, counts,
    labels=labels_unique, display_node_weight=True, node_weights=counts)

SVG(image)

在这里插入图片描述

# soft clustering, 对标签1继续聚类
scores = propagation.membership_[:,1].toarray().ravel()

image = svg_graph(adjacency, position, scores=scores)
SVG(image)

在这里插入图片描述

有向图
graph = painters(metadata=True)
adjacency = graph.adjacency
names = graph.names
position = graph.position

propagation = PropagationClustering()
labels = propagation.fit_transform(adjacency)

labels_unique, counts = np.unique(labels, return_counts=True)
print(labels_unique, counts)

# [0 1] [10  4]  分两类，每类数量为10和4

image = svg_graph(adjacency, position, names=names, labels=labels)
SVG(image)

在这里插入图片描述

# metric
modularity(adjacency, labels)

# 0.256

# aggregate graph  聚合图
adjacency_aggregate = propagation.aggregate_

average = normalize(membership_matrix(labels).T)
position_aggregate = average.dot(position)
labels_unique, counts = np.unique(labels, return_counts=True)

image = svg_graph(
    adjacency_aggregate, position_aggregate, counts, labels=labels_unique,
    display_edge_weight=True, node_weights=counts)
SVG(image)

在这里插入图片描述

# soft clustering, 标签为0的内部聚类
scores = propagation.membership_[:,0].toarray().ravel()
image = svg_graph(adjacency, position, scores=scores)
SVG(image)

在这里插入图片描述

二部图
graph = movie_actor(metadata=True)
biadjacency = graph.biadjacency
names_row = graph.names_row
names_col = graph.names_col

propagation = PropagationClustering()
propagation.fit_transform(biadjacency)
labels_row = propagation.labels_row_
labels_col = propagation.labels_col_

image = svg_bigraph(biadjacency, names_row, names_col, labels_row, labels_col)
SVG(image)

在这里插入图片描述

# metric
bimodularity(biadjacency, labels_row, labels_col)
# 0.41496598639455773

# aggregate graph 聚合
biadjacency_aggregate = propagation.aggregate_

labels_unique_row, counts_row = np.unique(labels_row, return_counts=True)
labels_unique_col, counts_col = np.unique(labels_col, return_counts=True)

image = svg_bigraph(
    biadjacency_aggregate, counts_row, counts_col, labels_unique_row,
    labels_unique_col, display_edge_weight=True,
    node_weights_row=counts_row, node_weights_col=counts_col)
SVG(image)

在这里插入图片描述

# soft clustering for label 1
scores_row = propagation.membership_row_[:, 1].toarray().ravel()
scores_col = propagation.membership_col_[:, 1].toarray().ravel()

image = svg_bigraph(
    biadjacency, names_row, names_col,
    scores_row=scores_row, scores_col=scores_col)
    
SVG(image)

在这里插入图片描述

K-means

介绍K-means的图聚类。该聚类涉及图在低维空间中的嵌入。

from IPython.display import SVG
import numpy as np

from sknetwork.data import karate_club, painters, movie_actor
from sknetwork.clustering import KMeans, modularity, bimodularity
from sknetwork.linalg import normalize
from sknetwork.embedding import GSVD
from sknetwork.utils import membership_matrix
from sknetwork.visualization import svg_graph, svg_digraph, svg_bigraph
图
graph = karate_club(metadata=True)
adjacency = graph.adjacency
position = graph.position

kmeans = KMeans(n_clusters=2, embedding_method=GSVD(3))
labels = kmeans.fit_transform(adjacency)
labels

labels_unique, counts = np.unique(labels, return_counts=True)
print(labels_unique, counts)  # 结果可能会变化，因为最初中心点是随机选取的

image = svg_graph(adjacency, position, labels=labels)
SVG(image)

array([1, 1, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1, 0, 0, 0, 1,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
       
[0 1] [20 14]

在这里插入图片描述

# metric
modularity(adjacency, labels)
# 0.34048323471400377

# aggregate graph
adjacency_aggregate = kmeans.aggregate_

average = normalize(membership_matrix(labels).T)
position_aggregate = average.dot(position)
labels_unique, counts = np.unique(labels, return_counts=True)

image = svg_graph(
    adjacency_aggregate, position_aggregate, counts, labels=labels_unique,
    display_edge_weight=True, node_weights=counts)
SVG(image)

在这里插入图片描述

# soft clustering (here probability of label 1)
scores = kmeans.membership_[:,1].toarray().ravel()

image = svg_graph(adjacency, position, scores=scores)
SVG(image)

在这里插入图片描述

有向图
graph = painters(metadata=True)
adjacency = graph.adjacency
position = graph.position
names = graph.names

kmeans = KMeans(3, GSVD(3), co_cluster=False)
labels = kmeans.fit_transform(adjacency)

image = svg_digraph(adjacency, position, names=names, labels=labels)
SVG(image)

在这里插入图片描述

modularity(adjacency, labels)
# 0.24

# aggragate graph
adjacency_aggregate = kmeans.aggregate_

average = normalize(membership_matrix(labels).T)
position_aggregate = average.dot(position)
labels_unique, counts = np.unique(labels, return_counts=True)

image = svg_digraph(
    adjacency_aggregate, position_aggregate, counts, labels=labels_unique, 
    display_edge_weight=True, node_weights=counts)
SVG(image)

在这里插入图片描述

# soft clustering (probability of label 0)
scores = kmeans.membership_[:, 0].toarray().ravel()

image = svg_digraph(adjacency, position, scores=scores)
SVG(image)

在这里插入图片描述

二部图
graph = movie_actor(metadata=True)
biadjacency = graph.biadjacency
names_row = graph.names_row
names_col = graph.names_col

kmeans = KMeans(3, GSVD(3), co_cluster=True)
kmeans.fit(biadjacency)
labels_row = kmeans.labels_row_
labels_col = kmeans.labels_col_

image = svg_bigraph(biadjacency, names_row, names_col, labels_row, labels_col)
SVG(image)

在这里插入图片描述

# metric
bimodularity(biadjacency, labels_row, labels_col)

# 0.4988662131519276

# aggregate graph
biadjacency_aggregate = kmeans.aggregate_

labels_unique_row, counts_row = np.unique(labels_row, return_counts=True)
labels_unique_col, counts_col = np.unique(labels_col, return_counts=True)

image = svg_bigraph(biadjacency_aggregate, counts_row, counts_col, labels_unique_row, labels_unique_col,
                    display_node_weight=True, node_weights_row=counts_row, node_weights_col=counts_col)
SVG(image)

在这里插入图片描述

# soft clustering (here probability of label 1)
scores_row = kmeans.membership_row_[:,1].toarray().ravel()
scores_col = kmeans.membership_col_[:,1].toarray().ravel()

image = svg_bigraph(biadjacency, names_row, names_col, scores_row=scores_row, scores_col=scores_col)
SVG(image)

在这里插入图片描述

uncle_ll
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Python库 | scikit-network-0.7.1.tar.gz
03-10
python库。 资源全名：scikit-network-0.7.1.tar.gz
Python库 | scikit_network-0.23.0-cp38-cp38-win32.whl
02-19
python库，解压后可用。 资源全名：scikit_network-0.23.0-cp38-cp38-win32.whl
Scikit-network-07：层次聚类Hierarchy
uncle_ll的博客
01-29 260
介绍基于Paris算法的图层次聚类, Paris是基于linkage算聚类距离的。介绍基于Louvain算法的图层次聚类, Louvain是基于模块度算聚类距离的。介绍基于Ward算法的图层次聚类, Ward是基于离差平方和ESS算聚类距离的。
利用scikit-network 进行 page/node Ranking
Liao_Wenzhe的博客
04-16 1329
scikit-network介绍： scikit-network - 知乎 pageRank/nodeRank介绍： 图上的node ranking问题 - 知乎 [论文阅读] PageRank Algorithm - 知乎 from sknetwork.ranking import PageRank from sknetwork.data import house import pandas as pd import numpy as np from sknetwork.ranking
Scikit-network-01：安装与体验
uncle_ll的博客
09-01 531
scikit-network是用于大型图的Python包，与scikit-learn类似。当该图是双方时，它可以用双向邻接矩阵表示（每种算法都表示为具有拟合方法(可以看到，将其聚类为4类。
Scikit-network-04：网络拓扑 Topology
uncle_ll的博客
01-03 261
说明同构的Weisfeiler-Lehman测试，该算法。本笔记本说明图中连接的组件的搜索。
探索Scikit-Network：下一代图数据处理库
最新发布
gitblog_00048的博客
04-15 381
探索Scikit-Network：下一代图数据处理库 项目地址:https://gitcode.com/sknetwork-team/scikit-network Scikit-Network是一个强大的Python库，专为图和网络分析设计。它提供了一套全面的工具集，用于处理、操作和挖掘复杂网络中的模式，是数据科学和机器学习领域的一个重要补充。 项目简介 Scikit-Network构建在NumP...
Scikit-network-13：Text mining
uncle_ll的博客
06-16 86
基于图的文本挖掘
scikit-network:图算法
05-13
用于分析大型图形的Python软件包： 的CSR格式的内存稀疏表示为稀疏矩阵 快速算法 受启发的简单API 资源 免费软件：BSD许可证 GitHub： : 文档： ： 快速开始 安装scikit-network： $ pip install scikit-network 在Python项目中导入scikit-network： import sknetwork as skn 请参阅教程中的示例。 笔记本可以在这里找到。 引用 如果您想引用scikit-network ，请参考《机器学习研究杂志》上的出版物： @article{JMLR:v21:20-412, author = {Thomas Bonald and Nathan de Lara and Quentin Lutz and Bertrand Charpentier}, title = {Scik
Scikit-network-02：载图
uncle_ll的博客
12-23 331
在Scikit网络中，图形由其scipy的压缩稀疏行格式中的邻接矩阵（或二部图矩阵）表示。在本教程中，我们提供了一些方法来实例化此格式的图。对于分类数据，可以使用Pandas在样本和特征之间获取两部分图。对于小图，可以将邻接矩阵作为密集的numpy阵列实例化，并将其转换为CSR格式的稀疏矩阵。NetworkX具有从企业社会责任格式和朝向CSR格式的导入和导出功能。默认情况下，该图是无方向性的，但是可以轻松地添加参数。可以加载以GraphMl格式存储的图。构建图形的另一种自然方法是来自边集列表。
Scikit-network-03：基于简单模型加载图
uncle_ll的博客
12-26 110
基于简单模型加载一些图形。
利用python-sknetwork进行图聚类/社区发现
Liao_Wenzhe的博客
03-30 1642
社区发现是基于图结构的非常经典的聚类算法，与传统聚类算法：kmeans/dbscan等不同，前者能将离散数据进行团伙聚类，从而解决传统聚类方式基于连续值距离度量的缺点。 社区发现综述： 马东什么：社区发现算法综述120 赞同 · 13 评论文章 代码如下： from IPython.display import SVG import numpy as np from scipy import sparse import pandas as pd from sknetwork.utils imp
Louvain聚类算法
Kp0fS的草稿纸
11-15 817
Louvain聚类算法 https://ww
在Neo4j中使用louvain进行图聚类
u013250861的博客
05-19 894
在Neo4j中使用louvain进行图聚类
python社会网络度与聚类系数的计算（network+原理法）
weixin_46874423的博客
02-19 6448
一、借助包完成网络度与聚类系数的计算与可视化 python为我们提供了networkx包，可以帮助进行网络关键指标的实现。networkx是Python的一个包，用于构建和操作复杂的图结构，提供分析图的算法。本实验重点讲解在networkx包基础上与实验1不同之处。这个不难，直接上代码。 # -*- coding: utf-8 -*- import networkx as nx import matplotlib.pyplot as plt import numpy as np # 解决中文显示问题
基于networkx可视化处聚类算法的结果
qq_35440510的博客
04-16 1633
if __name__ == '__main__': import networkx as nx import matplotlib.pyplot as plt rpath4 = r'E:\community_detcttion\Dataset\football.gml' G =nx.read_gml(rpath4,'id') adjacency = nx....
【聚类】五种主要聚类算法
热门推荐
u011511601的专栏
08-22 21万+
原博文： 聚类是一种机器学习技术，它涉及到数据点的分组。给定一组数据点，我们可以使用聚类算法将每个数据点划分为一个特定的组。理论上，同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。聚类是一种无监督学习的方法，是许多领域中常用的统计数据分析技术。 在数据科学中，我们可以使用聚类分析从我们的数据中获得一些有价值的见解。在这篇文章中，我们将研究5种流...
louvain算法_单细胞聚类（四）图解Leiden算法对Louvain算法的优化
weixin_39609500的博客
12-04 9691
Louvain算法是目前单细胞分析中最常用的聚类算法[1]，Seurat/Scanpy/RaceID等单细胞分析工具都默认louvain算法。6天前HumanCell Atlas(HCA)团队发表在Nature Method上的单细胞分析流程中[2]，默认的聚类算法是scran包的方法：细胞间权重基于排序计算(rank-based)，聚类算法用Walktrap。这跟杰卡德距离+L...
Python数模笔记-Sklearn（2）聚类分析
youcans的博客
05-10 8165
Python数模笔记-Sklearn（1）样本聚类分析 1、分类的分类 分类的分类？没错，分类也有不同的种类，而且在数学建模、机器学习领域常常被混淆。 首先我们谈谈有监督学习（Supervised learning）和无监督学习（Unsupervised learning），是指有没有老师，有没有纪委吗？差不多。有老师，就有正确解法，就有标准答案；有纪委，就会树学习榜样，还有反面教材。 有监督学习，是指样本数据已经给出了正确的分类，我们通过对正确分类的样本数据进行学习，从中总结规律，获取知识，付诸应用。所
神经网络聚类算法python
05-31
在Python中，常用的神经网络聚类算法包括： 1. Self-Organizing Map (SOM)：自组织映射是一种无监督学习算法，常用于数据可视化和聚类。在Python中，可以使用Minisom库实现SOM算法。 2. Adaptive Resonance Theory (ART)：自适应共振理论是一种无监督学习算法，常用于模式识别和分类。在Python中，可以使用ArtPy库实现ART算法。 3. Kohonen Network：Kohonen网络是一种无监督学习算法，常用于数据挖掘和聚类。在Python中，可以使用Neupy库实现Kohonen网络算法。 4. Radial Basis Function (RBF)：径向基函数是一种有监督学习算法，常用于分类和回归。在Python中，可以使用Scikit-learn库实现RBF算法。 以上是一些常用的神经网络聚类算法，实现方法也有很多种，你可以根据自己的需求和数据特点选择合适的算法和实现方式。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

uncle_ll

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值