计算网络节点模块内连通度(within modular degree)和模块间连通度(between modular degree)
计算网络节点模块内连通度和模块间连通度
- 1.为什么要计算网络节点模块内连通度和模块间连通度
- 2.网络节点模块内连通度(within modular degree)和模块间连通度(among modular degree)计算公式
- 3.计算代码及注释
1.为什么要计算网络节点模块内连通度和模块间连通度
我们可以通过了解节点的模块内连通度和模块间连通度来对节点的重要性进行度量,具有较低的模块内连通度和模块间连通度的节点的重要性则相对较低,具体划分如下表(其中ZiZ_iZi为节点i的模块内连通度的z-scores,PiP_iPi为根据节点i的模块间连通度计算的参与系数,participation coefficient):
ZiZ_iZi< 2.5 | ZiZ_iZi > 2.5 | |
---|---|---|
PiP_iPi < 0.62 | peripherals | modular hubs |
PiP_iPi > 0.62 | connectors | network hubs |
ZiZ_iZi < 2.5 | ZiZ_iZi > 2.5 | |
---|---|---|
PiP_iPi < 0.62 | 不重要的节点 | key species |
PiP_iPi > 0.62 | key species | key species |
2.网络节点模块内连通度(within modular degree)和模块间连通度(among modular degree)计算公式
模块内连通度z-scores计算公式:
Zi=Ki−Ksi‾σKsiZ_i = \frac{K_i - \overline{K_{s_i}}}{\sigma_{K_{s_i}}} Zi=σKsiKi−Ksi
其中,
ZiZ_iZi为节点 i 模块内连通度的z-scores;
KiK_iKi为节点 i 模块内连通度;
Ksi‾\overline{K_{s_i}}Ksi为节点 i 所在模块 s 所有节点的KiK_iKi的平均值;
σKsi\sigma_{K_{s_i}}σKsi为节点 i 所在模块 s 所有节点的模块内连通度的标准差。
模块间连通度参与系数的计算公式:
Pi=1−∑s=1Nm(KisKi)2P_i =1- \sum_{s=1}^{N_m}(\frac{K_{is}}{K_i})^2 Pi=1−s=1∑Nm(KiKis)2
其中,
PiP_iPi为节点 i 的参与系数;
NmN_mNm为模块数,number of modular;
sss 表示模块sss;
KiK_iKi为整个网络内的连通度;
KisK_{is}Kis为节点 i 在各个模块中的连通度;
3.计算代码及注释
测试数据及源代码可参考:
计算网络节点模块内连通度和模块间连通度R代码及测试数据
更多R语言分析微生物生态学的资源可参考如下链接:
https://mbd.pub/o/bread/mbd-YpmTlZpr
#该代码参考自:https://github.com/cwatson/brainGraph/blob/master/R/vertex_roles.R
#g表示graph文件,其中graph的节点含有modular属性;
#也就是说,使用下面的函数计算前请先计算各节点的模块属性,并将其赋值给节点
#wtc <- cluster_louvain(igraph,NA)
#modularity(wtc)
#V(igraph)$module<-membership(wtc)#计算模块内连接度的z-scores
within_module_deg_z_score <- function(g, A=NULL, weighted=FALSE) {stopifnot(is_igraph(g))if (is.null(A)) {if (isTRUE(weighted)) {A <- as_adj(g, sparse=FALSE, names=TRUE, attr='weight')} else {A <- as_adj(g, sparse=FALSE, names=TRUE)}}memb <- vertex_attr(g, "module")N <- max(memb)nS <- tabulate(memb)z <- Ki <- rep.int(0, dim(A)[1L])Ksi <- sigKsi <- rep.int(0, N)names(z) <- names(Ki) <- rownames(A)for (S in seq_len(N)) {x <- rowSums(A[memb == S, memb == S])Ki[memb == S] <- xKsi[S] <- sum(x) / nS[S]sigKsi[S] <- sqrt(sum((x - Ksi[S])^2) / (nS[S]-1))}z <- (Ki - Ksi[memb]) / sigKsi[memb]z[is.infinite(z)] <- 0df <- data.frame(Ki,z,row.names = names(Ki))return(df)
}#计算节点的参与系数
part_coeff <- function(g, A=NULL, weighted=FALSE) {stopifnot(is_igraph(g))if (is.null(A)) {if (isTRUE(weighted)) {A <- as_adj(g, sparse=FALSE, attr='weight')} else {A <- as_adj(g, sparse=FALSE)}}memb <- vertex_attr(g, "module")Ki <- colSums(A)N <- max(memb)Kis <- t(rowsum(A, memb))pi <- 1 - ((1 / Ki^2) * rowSums(Kis^2))names(pi) <- rownames(A)return(pi)
}
还有其它博客也介绍了ZiZ_iZi和PiP_iPi的计算,例如:
使用ggClusterNet一条代码计算网络模块内连通度(Zi)和模块间连通度(Pi)
加载了ggClusterNet包后,只需要一行函数即可计算ZiZ_iZi和PiP_iPi,但我仔细阅读了其计算的函数之后,对一些地方存在一些疑问(在代码中注释了),此时该函数计算的结果也与上面函数within_module_deg_z_score()
计算结果不同,经过修改后的函数within_module_degree2()
计算的结果与上面函数within_module_deg_z_score()
计算的结果计算结果相同。
因此,在使用R包时,特别是一些未经严格检验的R包时,需要了解更多的细节,以免计算错误,得到错误的结果。
原函数如下:
#参考自:https://github.com/taowenmicro/ggClusterNet/blob/master/R/module.roles.R
network_degree <- function(comm_graph){ki_total <-NULLnet_degree <- degree(comm_graph)for(i in 1:length(V(comm_graph))){ ki <- net_degree[i] tmp <- data.frame(taxa=names(ki), total_links=ki) if(is.null(ki_total)){ki_total<-tmp} else{ki_total <- rbind(ki_total, tmp)} } return(ki_total)
}#compute within-module degree for each of the featureswithin_module_degree <- function(comm_graph){mods <- vertex_attr(comm_graph, "module")vs <- as.list(V(comm_graph))modvs <- data.frame("taxon"= names(vs), "mod"=mods)#不理解此处为什么要用decompose.graph(),难道不应该直接用模块内的节点去取子图吗?我在within_module_degree2()中对我的想法进行了实现sg1 <- decompose.graph(comm_graph,mode="strong")df <- data.frame()for(mod in unique(modvs$mod)){ mod_nodes <- subset(modvs$taxon,modvs$mod==mod) neighverts <- unique(unlist(sapply(sg1,FUN=function(s){if(any(V(s)$name %in% mod_nodes)) V(s)$name else NULL}))) g3 <- induced.subgraph(graph=comm_graph,vids=neighverts) mod_degree <- degree(g3) for(i in mod_nodes){ ki <- mod_degree[which(names(mod_degree)==i)] tmp <- data.frame(module=mod, taxa=names(ki), mod_links=ki) df <- rbind(df,tmp) } } return(df)
}within_module_degree2 <- function(comm_graph){ mods <- vertex_attr(comm_graph, "module")vs <- as.list(V(comm_graph)) modvs <- data.frame("taxon"= names(vs), "mod"=mods)df <- data.frame()for(mod in unique(modvs$mod)){ mod_nodes <- subset(modvs$taxon,modvs$mod==mod) g3 <- induced.subgraph(graph=comm_graph,vids=mod_nodes) mod_degree <- degree(g3) for(i in mod_nodes){ ki <- mod_degree[which(names(mod_degree)==i)] tmp <- data.frame(module=mod, taxa=names(ki), mod_links=ki) df <- rbind(df,tmp) } } return(df)
}
#calculate the degree (links) of each node to nodes in other modules.
among_module_connectivity <- function(comm_graph){ mods <- vertex_attr(comm_graph, "module") vs <- as.list(V(comm_graph)) modvs <- data.frame("taxa"= names(vs), "mod"=mods)df <- data.frame() for(i in modvs$taxa){ for(j in modvs$taxa){ if(are_adjacent(graph=comm_graph, v1=i , v2=j)){ mod <- subset(modvs$mod, modvs$taxa==j) tmp <- data.frame(taxa=i, taxa2=j, deg=1, mod_links=mod) df <- rbind(df, tmp) } } } out <- aggregate(list(mod_links=df$deg), by=list(taxa=df$taxa, module=df$mod), FUN=sum) return(out)
}#compute within-module degree z-score which
#measures how well-connected a node is to other nodes in the module.zscore <- function(mod.degree){ ksi_bar <- aggregate(mod_links ~ module, data=mod.degree, FUN = mean) ksi_sigma <- aggregate(mod_links ~ module, data=mod.degree, FUN = sd) z <- NULL for(i in 1:dim(mod.degree)[1]){ mod_mean <- ksi_bar$mod_links[which(ksi_bar$module == mod.degree$module[i])] mod_sig <- ksi_sigma$mod_links[which(ksi_bar$module == mod.degree$module[i])] z[i] <- (mod.degree$mod_links[i] - mod_mean)/mod_sig } z <- data.frame(row.names=rownames(mod.degree), z, module=mod.degree$module) return(z)
}#The participation coefficient of a node measures how well a node is distributed
# in the entire network. It is close to 1 if its links are uniformly
#distributed among all the modules and 0 if all its links are within its own module.participation_coeffiecient <- function(mod.degree, total.degree){ p <- NULL for(i in total.degree$taxa){ ki <- subset(total.degree$total_links, total.degree$taxa==i) taxa.mod.degree <- subset(mod.degree$mod_links, mod.degree$taxa==i) p[i] <- 1 - (sum((taxa.mod.degree)**2)/ki**2) } p <- as.data.frame(p)return(p)
}
计算网络节点模块内连通度(within modular degree)和模块间连通度(between modular degree)相关推荐
- 计算网络节点的平均度
下面的程序是用来计算网络节点的平均度 # -*- coding: utf-8 -*- """ Created on Sat Nov 30 17:02:21 2019@au ...
- 电网络节点电压matlab,电力网潮流电压计算例题与matlab程序技术总结.docx
电力网潮流电压计算例题与MATLAB程序编写佘名寰本文介绍了两个电力网潮流计算例题.一例为5个节点5条支路:另一例有6个节点7条支路,有PQ负荷节点也有PV发电机节点,变压器支路标么变比不为1.本文给 ...
- 电网络节点电压matlab,电力网潮流电压计算例题与matlab程序
本文介绍了电力网潮流计算两个例题,给出了完整的计算程序和计算结果.程序包括计算网络节点导纳矩阵和潮流电压两部分.例题选自研究生教材,比较典型实用.希望供电力专业师生和基层技术人员潮流计算时参考. 电力 ...
- 软件 | 快速计算网络自然连通度评估群落稳定性
Fastn-快速计算网络自然连接度 - 软件介绍 - 从网络图的邻阶矩阵(0.1矩阵,0代表指标间没有边,1代表指标间有边)中删除节点并求剩余矩阵"特征值"被用来表征网络抗毁性,该 ...
- 节点重要度 matlab,复杂网络节点重要度常用指标及其计算
随着图论相关理论的兴起,很多复杂实际问题都被慢慢抽象成复杂网络图 来进行研究,其中复杂网络的节点重要度研究慢慢地成为了研究的热点,尤其 是对医学.互联网.社科等领域的研究取得了长足的进步.对复杂系统的 ...
- 域内计算机如何同步网络t时间,网络节点的同步方法
摘要: 包括一个网络中心主节点(11)和多个同步域(20,30)的局域网(10)内的网络节点的同步方法,每个同步子网(20,30)包括一个同步子网主节点(21,31)和至少一个同步从节点(22,23; ...
- matlab求点介数程序,matlab_bgl 一个很有用的计算网络中每个节点介数的程序,对 分析 Cloud Computing 云 266万源代码下载- www.pudn.com...
文件名称: matlab_bgl下载 收藏√ [ 5 4 3 2 1 ] 开发工具: Others 文件大小: 2098 KB 上传时间: 2016-10-26 下载次数: 0 提 供 者 ...
- 24.neutron网络节点和计算节点配置
配置网络节点: 网络节点需要安装的包: openstack-neutron.noarch openstack-neutron-openvswitch.noarch openvswitch.x86_64 ...
- 使用Devstack部署neutron网络节点
本文为minxihou的翻译文章,转载请注明出处Bob Hou: http://blog.csdn.net/minxihou JmilkFan:minxihou的技术博文方向是 算法&Open ...
最新文章
- gdal 1.9+python 2.7开发环境配置
- android 实现全屏代码
- 记一次 .NET 某新能源汽车锂电池检测程序 UI挂死分析
- Python的看门狗实现自动化实时对服务器、Windows或Linux文件夹的实时监控
- 理论篇 GIT使用笔记
- Java-用户交互Scanner
- windows部署免安装版python
- 造成OOM的原因有哪几种?
- Ubuntu解决依赖关系问题
- 【Chinapub读书会第9期】5月28日赵鑫磊带你深入解析Linux
- 车架号OCR识别算法
- 快速查毒及电脑防毒的解决方案
- Photoshop CS5软件安装教程
- c/c++回车不换行
- 用html做相册需要什么,如何快速有效的生成HTML相册?
- 软件架构入门及分类——微内核架构
- java project、maven project项目打成可运行的jar包
- Navicat Mysql 破解教程(亲测可用)
- 如果还不想毕业,去这里可好?
- [JAVA实战篇] AES加密的JAVA实现及AES算法讲解