R:igraph，社区检测，边缘。中间值方法，统计/列出每个社区的成员？

我有一个相对较大的图，有真实世界事务的顶点：524条边：1125。边是定向的，并具有权重（包含是可选的）。 我试图调查图中的各种社区，基本上需要一种方法：

-计算所有可能的社区

-计算最佳社区数

-返回每个（最佳）社区成员的成员/#

到目前为止，我已经成功地收集了以下代码，这些代码绘制了一个对应于各种社区的彩色编码图，但是我不知道如何控制社区的数量（即绘制拥有最高成员资格的前5个社区）或列出特定社区的成员

library(igraph)
edges <- read.csv('http://dl.dropbox.com/u/23776534/Facebook%20%5BEdges%5D.csv')
all<-graph.data.frame(edges)
summary(all)

all_eb <- edge.betweenness.community(all)
mods <- sapply(0:ecount(all), function(i) {
all2 <- delete.edges(all, all_eb$removed.edges[seq(length=i)])
cl <- clusters(all2)$membership
modularity(all, cl)
})


plot(mods, type="l")

all2<-delete.edges(all, all_eb$removed.edges[seq(length=which.max(mods)-1)])

V(all)$color=clusters(all2)$membership

all$layout <- layout.fruchterman.reingold(all,weight=V(all)$weigth)

plot(all, vertex.size=4, vertex.label=NA, vertex.frame.color="black", edge.color="grey",
edge.arrow.size=0.1,rescale=TRUE,vertex.label=NA, edge.width=.1,vertex.label.font=NA)

库（igraph）
边通过仔细查看您正在使用的函数的文档，可以发现其中几个问题。例如，“值”部分中的
集群
文档描述了函数将返回的内容，其中有几个可以回答您的问题。除了文档之外，您始终可以使用
str
函数分析任何特定对象的组成

也就是说，要获取特定社区中的成员或成员数量，您可以查看
clusters
函数返回的
成员身份
对象（您已经在使用它来分配颜色）。比如：

summary(clusters(all2)$membership)

将描述正在使用的集群的ID。在示例数据中，看起来您有ID范围为0到585的集群，总共586个集群。（请注意，使用当前使用的着色方案无法非常准确地显示这些内容。）

要确定每个簇中的顶点数，可以查看
csize
组件，该组件也是由
簇返回的。在本例中，它是一个长度为586的向量，为每个计算的簇存储一个大小。所以你可以用

clusters(all2)$csize

获取群集的大小列表。请注意，如前所述，您的集群从0（“零索引”）开始，而R向量从1（“一索引”）开始，因此您需要将这些索引移动1。例如，
clusters（all2）$csize[5]
返回ID为4的集群大小

要列出任何簇中的顶点，您只需要找到前面提到的
成员资格
组件中与所讨论的簇匹配的ID。因此，如果我想在集群128中找到顶点（根据
集群（all2）$csize[129]
，其中有21个顶点），我可以使用：

which(clusters(all2)$membership == 128)
length(which(clusters(all2)$membership == 128)) #21

要检索该簇中的顶点，我可以使用
V
函数并传入我刚刚计算的索引，这些索引是该簇的成员：

> V(all2)[clusters(all2)$membership == 128]
Vertex sequence:
 [1] "625591221 - Clare Clancy"           
 [2] "100000283016052 - Podge Mooney"     
 [3] "100000036003966 - Jennifer Cleary"  
 [4] "100000248002190 - Sarah Dowd"       
 [5] "100001269231766 - LirChild Surfwear"
 [6] "100000112732723 - Stephen Howard"   
 [7] "100000136545396 - Ciaran O Hanlon"  
 [8] "1666181940 - Evion Grizewald"       
 [9] "100000079324233 - Johanna Delaney"  
[10] "100000097126561 - Órlaith Murphy"   
[11] "100000130390840 - Julieann Evans"   
[12] "100000216769732 - Steffan Ashe"     
[13] "100000245018012 - Tom Feehan"       
[14] "100000004970313 - Rob Sheahan"      
[15] "1841747558 - Laura Comber"          
[16] "1846686377 - Karen Ni Fhailliun"    
[17] "100000312579635 - Anne Rutherford"  
[18] "100000572764945 - Lit Đ Jsociety"   
[19] "100003033618584 - Fall Ball"        
[20] "100000293776067 - James O'Sullivan" 
[21] "100000104657411 - David Conway"

这将涵盖你的基本问题。其他问题与图论更为相关。我不知道如何使用iGraph来管理要创建的集群数量，但是有人可能会向您指出一个能够做到这一点的包。你可能会更成功地将其作为一个单独的问题发布，无论是在这里还是在其他地点

关于你想要迭代所有可能的社区的第一点，我想你会发现对于一个很大的图来说这是不可行的。5个不同簇的
成员资格
向量的可能排列数为5^n，其中n是图的大小。如果你想找到“所有可能的社区”，如果我的心算正确的话，这个数字实际上是O（n^n）。从本质上讲，即使给定了大量的计算资源，也不可能在任何规模合理的网络上彻底计算出这一点。因此，我认为您最好使用某种智能/优化来确定图表中表示的社区数量，就像
clusters
函数所做的那样。
关于OPs问题中的“如何控制社区数量”，我使用社区上的cut_at函数将生成的层次结构切割成所需数量的组。我希望有人能证实我在做一些理智的事情。也就是说，考虑以下内容：

#Generate graph
adj.mat<- matrix(,nrow=200, ncol=200) #empty matrix
set.seed(2) 

##populate adjacency matrix
for(i in 1:200){adj.mat[i,sample(rep(1:200), runif(1,1,100))]<-1}
adj.mat[which(is.na(adj.mat))] <-0

for(i in 1:200){
  adj.mat[i,i]<-0
}

G<-graph.adjacency(adj.mat, mode='undirected')
plot(G, vertex.label=NA)

##Find clusters
walktrap.comms<- cluster_walktrap(G, steps=10)
max(walktrap.comms$membership) #43

  [1]  6 34 13  1 19 19  3  9 20 29 12 26  9 28  9  9  2 14 13 14 27  9 33 17 22 23 23 10 17 31  9 21  2  1
 [35] 33 23  3 26 22 29  4 16 24 22 25 31 23 23 13 30 35 27 25 15  6 14  9  2 16  7 23  4 18 10 10 22 27 27
 [69] 23 31 27 32 36  8 23  6 23 14 19 22 19 37 27  6 27 22  9 14  4 22 14 32 33 27 26 14 21 27 22 12 20  7
[103] 14 26 38 39 26  3 14 23 22 14 40  9  5 19 29 31 26 26  2 19  6  9  1  9 23  4 14 11  9 22 23 41 10 27
[137] 22 18 26 14  8 15 27 10  5 33 21 28 23 22 13  1 22 24 14 18  8  2 18  1 27 12 22 34 13 27  3  5 27 25
[171]  1 27 13 34  8 10 13  5 17 17 25  6 19 42 31 13 30 32 15 30  5 11  9 25  6 33 18 33 43 10

并以此为基础进行切割。我任意选择了6个切割，但是，你现在有了更粗糙的簇

cut_at(walktrap.comms, no=6)

  [1] 4 2 5 4 5 5 3 5 3 4 3 5 5 3 5 5 3 1 5 1 1 5 1 6 1 1 1 4 6 5 5 2 3 4 1 1 3 5 1 4 6 6 3 1 5 5 1 1 5 4 3 1
 [53] 5 2 4 1 5 3 6 3 1 6 6 4 4 1 1 1 1 5 1 4 3 3 1 4 1 1 5 1 5 2 1 4 1 1 5 1 6 1 1 4 1 1 5 1 2 1 1 3 3 3 1 5
[105] 3 3 5 3 1 1 1 1 3 5 2 5 4 5 5 5 3 5 4 5 4 5 1 6 1 3 5 1 1 1 4 1 1 6 5 1 3 2 1 4 2 1 2 3 1 1 5 4 1 3 1 6
[157] 3 3 6 4 1 3 1 2 5 1 3 2 1 5 4 1 5 2 3 4 5 2 6 6 5 4 5 3 5 5 4 4 2 4 2 3 5 5 4 1 6 1 2 4

您是否也可以提供创建
all
对象的代码？或者，如果它太大，至少是它的一些小版本？“我很难重新创建这个问题。@JeffAllen，“抱歉”添加了一些facebook数据样本，我正在处理的实际数据大约是这个的50倍。。Thanks@JeffAllen，非常感谢，这帮了大忙。您会注意到，为了提高性能，我更改了上面的社区检测方法。有没有关于我如何解决匹配问题的建议？当然有。我开始对修改后的问题和目标有点困惑。我建议把每件事都简化成一两个不同的问题，然后再问一个新问题。@JeffAllen，没问题，谢谢！
#Generate graph
adj.mat<- matrix(,nrow=200, ncol=200) #empty matrix
set.seed(2) 

##populate adjacency matrix
for(i in 1:200){adj.mat[i,sample(rep(1:200), runif(1,1,100))]<-1}
adj.mat[which(is.na(adj.mat))] <-0

for(i in 1:200){
  adj.mat[i,i]<-0
}

G<-graph.adjacency(adj.mat, mode='undirected')
plot(G, vertex.label=NA)

##Find clusters
walktrap.comms<- cluster_walktrap(G, steps=10)
max(walktrap.comms$membership) #43

  [1]  6 34 13  1 19 19  3  9 20 29 12 26  9 28  9  9  2 14 13 14 27  9 33 17 22 23 23 10 17 31  9 21  2  1
 [35] 33 23  3 26 22 29  4 16 24 22 25 31 23 23 13 30 35 27 25 15  6 14  9  2 16  7 23  4 18 10 10 22 27 27
 [69] 23 31 27 32 36  8 23  6 23 14 19 22 19 37 27  6 27 22  9 14  4 22 14 32 33 27 26 14 21 27 22 12 20  7
[103] 14 26 38 39 26  3 14 23 22 14 40  9  5 19 29 31 26 26  2 19  6  9  1  9 23  4 14 11  9 22 23 41 10 27
[137] 22 18 26 14  8 15 27 10  5 33 21 28 23 22 13  1 22 24 14 18  8  2 18  1 27 12 22 34 13 27  3  5 27 25
[171]  1 27 13 34  8 10 13  5 17 17 25  6 19 42 31 13 30 32 15 30  5 11  9 25  6 33 18 33 43 10

plot(as.hclust(walktrap.comms), label=F)

cut_at(walktrap.comms, no=6)

  [1] 4 2 5 4 5 5 3 5 3 4 3 5 5 3 5 5 3 1 5 1 1 5 1 6 1 1 1 4 6 5 5 2 3 4 1 1 3 5 1 4 6 6 3 1 5 5 1 1 5 4 3 1
 [53] 5 2 4 1 5 3 6 3 1 6 6 4 4 1 1 1 1 5 1 4 3 3 1 4 1 1 5 1 5 2 1 4 1 1 5 1 6 1 1 4 1 1 5 1 2 1 1 3 3 3 1 5
[105] 3 3 5 3 1 1 1 1 3 5 2 5 4 5 5 5 3 5 4 5 4 5 1 6 1 3 5 1 1 1 4 1 1 6 5 1 3 2 1 4 2 1 2 3 1 1 5 4 1 3 1 6
[157] 3 3 6 4 1 3 1 2 5 1 3 2 1 5 4 1 5 2 3 4 5 2 6 6 5 4 5 3 5 5 4 4 2 4 2 3 5 5 4 1 6 1 2 4