通过R让你的复杂网络图更具艺术感-CSDN博客

一、引子：

前段时间有幸听到了张溪梦老师的公开演讲，他归纳了一名数据科学家应该具备的能力：创新能力、勇气、科学、技术、商业、人文、艺术。从经常听到的数据科学家的三种基本能力即分析能力、专业能力、IT能力外延到了人文、艺术，呵呵，大家顿时产生了一种高尚大的自豪感。

回来后团队的美女分析师就找到了我，对话如下：“leader,我有些想法！”“汗，难不成要跳槽…”我内心有些不安，“说吧~”我故作镇定。“我觉得可以把报告中的这个图（见图一）美化下”她指了指电脑上的报告。“去吧，去吧，我支持你，弄好了咱们再讨论”我心安了……

0?wx_fmt=png
图一两种应用使用人数的示意图

两天后，她自信满满的回来找我了，带来了下面这张图：

0?wx_fmt=png
图二改进后的两种应用使用人数的示意图

“我觉得可以尝试使用社交关系图来表示应用人数和之间的交叠关系，这样更加美观，特别是当应用较多的时候。”她一语中的道。“嗯嗯”，我一边应付她，一边在脑子里飞快的回忆社交关系图的特点，“在反映大量人群或事物之间的关系时，社交网络图可以清晰的展示’群体’的内含和外延。例如，群体的规模、核心、与其他群体的交叠情况。“我同意了她的想法，开始试验！

二、数据的准备：

1、首先，编造一份原始数据，文件名是app_sub.txt，数据格式如下：

编号，应用名称

11111,滴滴打车

99999,美图秀秀

99999,微信

99999,优酷

22222,淘宝

22222,滴滴打车

22222,大众点评

……

代表有2980名用户使用APP的情况，各位在自行练习时可以采用随机函数来生成号码清单。

运行环境说明：R 3.1.1

2.利用R读入数据。

read.table("app_sub.txt",essay-header= FALSE,sep = ",",colClasses =c("character","character"))->g

3.去除NA值

g1<-na.omit(g)

三、开始绘制简单的社交关系图：

1.简单的社交网络

library(igraph) #加载igraph包

x<-par(bg="black") #设置背景颜色为黑色

g2 = graph.data.frame(d = g1,directed = F); #数据格式转换

V(g2) #查看顶点

E(g2) #查看边

2.不对顶点和边的格式做调整，使用layout.fruchterman.reingold方式呈现图形。

plot(g2,layout=layout.fruchterman.reingold,vertex.label=NA) #显示网络图

0?wx_fmt=png
图二初步的网络图

上面的社交网络图中大部分顶点重叠在一起，根本不能看出社交网络中顶点之间的连接关系。下面需要对顶点和边的格式做调整。

3.对顶点和边的格式做调整

设置vertex.size来调整顶点大小，设置vertex.color来改变显示颜色。

plot(g2,layout=layout.fruchterman.reingold,vertex.size=2, vertex.color="red",edge.arrow.size=0.05,vertex.label=NA) #设置vertex大小和颜色后显示网络图

0?wx_fmt=png
图二改进后的网络图

上图中顶点明显归属于某个或某几个社区。但所有的点都是同一个颜色，不能直观呈现出社区的概念。

四、划分网络图中的社区：

1．利用igraph自带的社区发现函数实现社区划分Igraph包中社区分类函数有以下几种：

fastgreedy.community

spinglass.community

edge.betweenness.community

leading.eigenvector.community

walktrap.community

label.propagation.community

clique.community

multilevel.community

不同的分类算法，速度和适用社区网络大小都有所侧重。对于同一网络，采用什么样的分类算法需要实践后去人工判断是否符合预期。

下面利用只有两个社区网络的数据来验证walktrap.community和edge.betweenness.community分类结果的不同之处。

下图是walktrap算法，step=10的情况下得出的结果。原本的2个社区网络被分为66类。把两个大社区分成了一类，把两大社区重叠的部分分成了很多类。显然这不是我们所希望看到的分类结果。可见walktrap算法不太适合网络数量较小的情况。

0?wx_fmt=png
图三 walktrap算法的呈现

下图是edge.betweenness算法的出的结果。社区网络被分成两类

0?wx_fmt=png
图四 edge.betweenness算法算法的呈现

2.美化图形（以顶点分类）

利用walktrap.community进行社区划分，对不同的社区赋值不同的颜色。为了呈现更多的点和线的关系，我们采用了透明化的处理方式。

com = walktrap.community(g2, steps = 10)V(g2)$sg=com$membershipV(g2)$color = rainbow(max(V(g2)$sg),alpha=0.8)[V(g2)$sg]plot(g2,layout=layout.fruchterman.reingold, vertex.size=1,vertex.color=V(g2)$color, edge.width=0.4,edge.arrow.size=0.08,edge.color = rgb(1,1,1,0.4),vertex.frame.color=NA,margin= rep(0, 4),vertex.label=NA)

0?wx_fmt=png
图五透明化处理后的网络图

五、完成最终的效果图：

1.美化图形（以边线分类）

另一种呈现方式，是点的颜色不变，将不同社区的连线颜色分类。

E(g1)$color=V(g1)[name=ends(g1,E(g1))[,2]]$color #为edge的颜色赋值V(g1)[grep("1", V(g1)$name)]$color=rgb(1,1,1,0.8) #为vertex的颜色赋值plot(g1,layout=layout.fruchterman.reingold, vertex.size=V(g1)$size, vertex.color= V(g1)$color, edge.width=0.3,edge.color = E(g1)$color,vertex.frame.color=NA,margin= rep(0, 4),vertex.label=NA)

0?wx_fmt=png
图六最终效果图