原文链接：http://tecdat.cn/?p=18770 

 

为了用R来处理网络数据，我们使用婚礼数据集。

> nflo=network(flo,directed=FALSE)
> plot(nflo, displaylabels = TRUE,
+ boxed.labels =
+ FALSE)

 

下一步是igraph。由于我们有邻接矩阵，因此可以使用它

graph_from_adjacency_matrix(flo,
+ mode = "undirected")

 

我们可以在两个特定节点之间获得最短路径。我们给节点赋予适当的颜色

 all_shortest_paths(iflo,
 )
 
 
> plot(iflo)

 

我们还可以可视化边，需要从输出中提取边缘

> lins=c(paste(as.character(L)[1:4],
+ "--" 
+ as.character(L)[2:5]  sep="" ,
+ paste(as.character(L) 2:5],
+ "--",
 
> E(ifl )$color=c("grey","black")[1+EU]
> plot(iflo)

 

也可以使用D3js可视化

> library( networkD3 )
> simpleNetwork (df)

 

下一个问题是向网络添加一个顶点。最简单的方法是通过邻接矩阵实现概率

> flo2["f","v"]=1
> flo2["v","f"]=1

 

然后，我们进行集中度测量。

 

目的是了解它们之间的关系。

 betweenness(ilo)
 
> cor(base)
betw close deg eig
betw 1.0000000 0.5763487 0.8333763 0.6737162
close 0.5763487 1.0000000 0.7572778 0.7989789
deg 0.8333763 0.7572778 1.0000000 0.9404647
eig 0.6737162 0.7989789 0.9404647 1.0000000

可以使用层次聚类图来可视化集中度度量

hclust(dist( ase  ,
+ method="ward")

 

查看集中度度量的值，查看排名

 
> for(i in 1:4) rbase[,i]=rank(base[,i])
 

 

在此，特征向量测度非常接近顶点的度数。

最后，寻找聚类（以防这些家庭之间爆发战争）

> kc <- fastgreedy.community ( iflo )

在这里，我们有3类

 

 

---

最受欢迎的见解

1.采用spss-modeler的web复杂网络对所有腧穴进行分析

2.用R语言和python进行社交网络中的社区检测

3.R语言文本挖掘NASA数据网络分析，tf-idf和主题建模

4.在R语言中使用航空公司复杂网络对疫情进行建模

5.python隶属关系图模型 基于模型的网络中密集重叠社区检测

6.使用Python和SAS Viya分析社交网络

7.关联网络分析：已迁离北京外来人口的数据画像

8.情感语义网络：游记数据感知旅游目的地形象

9.用关联规则数据挖掘探索药物配伍中的规律

标签：1.0000000,character,网络,可视化,网络分析,聚类,iflo
来源： https://blog.51cto.com/u_15198753/2770016