作者简介： 本文作者系大学统计学专业教师，多年从事统计学的教学科研工作，在随机过程、统计推断、机器学习领域有深厚的理论积累与应用实践。

igraph是一套用于网络分析与可视化的r包，它以高效、便捷、使用简单的特点在网络分析研究中广泛采用。igraph可以在R环境下免费下载安装，目前也有Python实现的igraph. 本文将介绍如何使用igraph包进行基础的网络分析与可视化。

1. igraph 网络

首先，清除R环境里的所有对象后，加载igraph包。

# Remove all the objects we created so far.
rm(list = ls())
library(igraph)

1.1 产生一个网络

我们产生一个有3个结点的无向图。它的结点用1, 2, 3表示，边分别是1–>2, 2–>3, 3–>1.

g1 <- graph( edges=c(1,2, 2,3, 3, 1), n=3, directed=F )
# A simple plot of the network
plot(g1)

g1是一个igraph对象。现在，我们生成一个10结点的有向图。

g2 <- graph( edges=c(1,2, 2,3, 3, 1), n=10 )
plot(g2)

g3 <- graph( c("John", "Jim", "Jim", "Jill", "Jill", "John")) # named vertices
# When the edge list has vertex names, the number of nodes is not needed
plot(g3)

g4 <- graph( c("John", "Jim", "Jim", "Jack", "Jim", "Jack", "John", "John"), isolates=c("Jesse", "Janis", "Jennifer", "Justin") )
# In named graphs we can specify isolates by providing a list of their names.
plot(g4, edge.arrow.size=.5, vertex.color="gold", vertex.size=15, vertex.frame.color="gray", vertex.label.color="black", vertex.label.cex=0.8, vertex.label.dist=2, edge.curved=0.2)

下面的代码生成不同风格的图。

plot(graph_from_literal(a---b, b---c)) # the number of dashes doesn't matter

plot(graph_from_literal(a--+b, b+--c))

plot(graph_from_literal(a+-+b, b+-+c))

plot(graph_from_literal(a:b:c---c:d:e))

gl <- graph_from_literal(a-b-c-d-e-f, a-g-h-b, h-e:f:i, j)
plot(gl)

1.2 边、结点与网络属性

显示边与结点

E(g4) # The edges of the object

+ 4/4 edges (vertex names):
[1] John->Jim Jim ->Jack Jim ->Jack John->John

V(g4) # The vertices of the object

+ 7/7 vertices, named:
[1] John Jim Jack Jesse Janis Jennifer Justin

显示网络矩阵

g4[]

g4[1,]

V(g4)$name # automatically generated when we created the network.

1.3 图与图模型

空图

eg <- make_empty_graph(40)
plot(eg, vertex.size=10, vertex.label=NA)

完全图

fg <- make_full_graph(40)
plot(fg, vertex.size=10, vertex.label=NA)

星型图

st <- make_star(40)
plot(st, vertex.size=10, vertex.label=NA)

树型图

tr <- make_tree(40, children = 3, mode = "undirected")
plot(tr, vertex.size=10, vertex.label=NA)

环形图

rn <- make_ring(40)
plot(rn, vertex.size=10, vertex.label=NA)

Erdos-Renyi 随机图

# ‘n’ is number of nodes, ‘m’ is the number of edges
er <- sample_gnm(n=100, m=40)
plot(er, vertex.size=6, vertex.label=NA)

Watts-Strogatz small-world model

# Creates a lattice (with dim dimensions and size nodes across dimension) and rewires edges
# randomly with probability p. The neighborhood in which edges are connected is nei.
# You can allow loops and multiple edges.
sw <- sample_smallworld(dim=2, size=10, nei=1, p=0.1)
plot(sw, vertex.size=6, vertex.label=NA, layout=layout_in_circle)

Rewiring a graph

each_edge() 是一个rewiring方法，它以概率prob均匀地随机改变边的终端，即，重新定义边。

rn.rewired <- rewire(rn, each_edge(prob=0.1))
plot(rn.rewired, vertex.size=10, vertex.label=NA)

【R语言实例】igraph — 网络分析与可视化包（2）

【R语言实例】igraph — 网络分析与可视化包（1）相关推荐

【R语言实例】igraph — 网络分析与可视化包（2）
作者简介: 本文作者系大学统计学专业教师,多年从事统计学的教学科研工作,在随机过程.统计推断.机器学习领域有深厚的理论积累与应用实践. 2. 从文件读取网络数据数据集1: 边列表边列表数据集由两 ...
R语言用igraph绘制网络图可视化
这篇文章假定你已经知道如何用igraph库建立一个基本的网络图. 基本上,igraph允许将几种类型的输入转化为一个图形对象,可以使用plot()函数绘制,如下所示. # 创建数据 network & ...
R语言实例：diamonds 数据可视化分析报告
文章目录数据描述导入数据变量含义数据清洗检查缺失值及重复值探索性分析钻石的形状钻石的重量分布每种切割类型.颜色.清晰度的钻石分别有多少个钻石的价格最昂贵的10只钻石的属性信息理 ...
R语言使用igraph包进行网络（network）可视化实战
R语言使用igraph包进行网络(network)可视化实战目录 R语言使用igraph包进行网络(network)可视化实战 #包的安装和导入
R语言使用igraph包进行网络（network）可视化实战：将变量映射到网络节点（vertex）、将变量映射到网络的边（edge）
R语言使用igraph包进行网络(network)可视化实战:将变量映射到网络节点(vertex).将变量映射到网络的边(edge) 目录
R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战
R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战目录 R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战
R语言机器学习与大数据可视化暨Python文本挖掘与自然语言处理核心技术研修
中国通信工业协会通信和信息技术创新人才培养工程项目办公室通人办[2017] 第45号 "R语言机器学习与大数据可视化"暨"Python文本挖掘与自然语言处理" ...
“R语言机器学习与大数据可视化”暨“Python文本挖掘与自然语言处理”核心技术高级研修班的通知
中国通信工业协会通信和信息技术创新人才培养工程项目办公室通人办[2017] 第45号 "R语言机器学习与大数据可视化"暨"Python文本挖掘与自然语言处理" ...
【视频】KMEANS均值聚类和层次聚类：R语言分析生活幸福指数可视化|数据分享...
原文链接:http://tecdat.cn/?p=24198 聚类是将总体或数据点划分为多个组的任务,以使同一组中的数据点与同一组中的其他数据点更相似,而与其他组中的数据点不相似.它基本上是基于它们之 ...

【R语言实例】igraph — 网络分析与可视化包（1）