python 模块度社区分组python-louvain用法示例详解

由Louvain算法生成的树状图的最高分区

community.best_partition(graph, partition=None, weight='weight', resolution=1.0, randomize=None, random_state=None)
使用Louvain启发式算法计算最大化模块度的图节点的分区（或尝试…） 
这是最高模块度的分区，即由Louvain算法生成的树状图的最高分区。 
  graph：networkx.Graph
 要进行分解的networkx图
 
  partition：dict，可选
 算法将使用此节点的分区。它是一个字典，其中键是节点，值是社区。
 
  weight：str，可选
 在图中用作权重的键。默认为’weight’。
 
  resolution：double，可选
 将更改社区的大小，默认为1。
 表示在“Laplacian Dynamics and Multiscale Modular Structure in Networks”中描述的时间，R. Lambiotte，J.-C. Delvenne，M. Barahona
 
  randomize：boolean，可选
 将随机化节点评估顺序和社区评估顺序以获得每次调用时的不同分区
 
  random_state：int，RandomState实例或None，可选（默认=None）
 如果是int，则random_state是随机数生成器使用的种子；
 如果是RandomState实例，则random_state是随机数生成器；如果是None，则随机数生成器是np.random使用的RandomState实例。
 
 partition：字典
 分区，其中社区编号从0到社区数
 NetworkXError
 如果图不是无向图。
 generate_dendrogram
 获取所有分解级别
 使用Louvain算法
参考文献：
 
 large networks. J. Stat. Mech 10008, 1-12(2008).
# 基本用法
import community as community_louvain
import networkx as nx
G = nx.erdos_renyi_graph(20, 0.1)
partition = community_louvain.best_partition(G)
基本用法： 
 导入community和networkx库
 创建一个随机的Erdos-Renyi图
 使用best_partition函数计算图节点的最优分区，并将结果保存在partition变量中
partition
Out[7]: 
{0: 0,
 1: 3,
 2: 2,
 3: 3,
 4: 0,
 5: 3,
 6: 1,
 7: 2,
 8: 2,
 9: 2,
 10: 2,
 11: 0,
 12: 2,
 13: 2,
 14: 0,
 15: 1,
 16: 3,
 17: 2,
 18: 3,
 19: 1}
显示带有其社区的图：
 
# 显示带有其社区的图：
# 由于Erdos-Renyi图没有真正的社区结构，
# 所以加载karate俱乐部图代替
import community as community_louvain
import matplotlib.cm as cm
import matplotlib.pyplot as plt
import networkx as nx
G = nx.karate_club_graph()
# 计算最佳分区
partition = community_louvain.best_partition(
项目地址:https://gitcode.com/taynaud/python-louvain
Python-Louvain 是一个由 Thomas Aynaud 开发的 Python 库，专门用于执行网络中的社区检测。基于著名的 Louvain 方法，这个库提供了简洁、高效的接口，使得在大规模图数据上查找社群结构变得简单。
技术分析...
import community as community_louvain
import matplotlib.cm as cm
import matplotlib.pyplot as plt
import networkx as nx
# load the karate club
如果一张图是对一片区域的描述的话，将这张图划分为很多个子图。当子图之内满足关联性尽可能大，而子图之间关联性尽可能低时，这样的子图可以称之为一个社区。
社区发现算法
社区发现算法有很多，例如LPA，HANP，SLPA以及Louvain，不同的算法划分社区的效果不尽相同。Louvain算法是基于模块度的社区发现算法，该算法在效率和效果上都表现较好，并且能够发现层次性的社区结构，其优化目标是最大化...
                                    一、社区发现概述根据图论，加权网络表示为𝐺=(𝑉,𝐸,𝑊)，未加权网络表示为𝐺=(𝑉,𝐸)，其中𝑉和𝐸表示节点和边的集合，𝑊分别表示𝐸相应的权重，以连接的强度或容量为单位。在未加权的网络中，𝑊被视为1。子图𝑔⊆𝐺是保留原始网络结构的图划分。子图的划分遵循预定义（pre-define）的规则，不同的规则可能会导致不同形式的子图。社区是代表真实社会现象的一种子图。换句话说，社区是一组具有共同特征的人或对象。
                                    奇技指南在海量的信息流中，通过精准的算法给用户推荐其感兴趣的内容，已经成为了一个产品吸引用户，获取收益的极其重要的方式。本篇为算法系列文章，将为大家分享360的算法团队在实践中积累的算法知识及经验，欢迎大家交流分享~Louvain算法是一种基于多层次优化Modularity的算法，具有快速、准确的优点，在效率和效果上都表现比较好，并且能够发现层次性的社区结构，被认为是性能最好的社区发现算法之一。模...
                                    	GenLouvain 实现的基本框架参考了 https://github.com/xmweijh/CommunityDetection ，用一个 Vertex 类来表示、保存节点的节点编号、社区编号和权重等，并用一个 GenLouvain 类负责核心算法的实现。从算法步骤可以看出，计算耗时比较多的是第一层的社区划分，之后随网络的重建，节点的数目大大减少，计算好时不断缩短。视一个社区为下一阶段的网络中的一个节点，社区内节点之间的边的权重转化为新节点的内部权重，社区之间的边的权重转为为新节点之间的边权。