R包—iGraph

这几天收到师兄的任务,熟悉iGRaph包的使用,通过查资料,外加自己的实践,在此做个简单的学习笔记。 以下例子均是在R 3.0.1版本下测试的。

1.用igraph创建图表

 g<- graph(c(1,2, 1,3, 1,4, 2,4, 3,4), directed=T) 
 > g IGRAPH D--- 4 5 --  
 > plot(g, layout=layout.fruchterman.reingold)

2.创建多种图形的图表

 > g1 <- graph.full(4) > g1 IGRAPH U--- 4 6 -- Full graph + attr: name (g/c), loops (g/x) 
 > g2 <- graph.ring(3) > g2 IGRAPH U--- 3 3 -- Ring graph + attr: name (g/c), mutual (g/x), circular (g/x) 
 > g3 = graph.lattice(c(3,4,2))#create a lattice > g3 IGRAPH U--- 24 46 -- Lattice graph + attr: name (g/c), dimvector (g/n), nei (g/n), mutual (g/x), circular (g/x) 
 >g4 = graph.tree(50, children=2)#create a tree > g4 IGRAPH D--- 50 49 -- Tree + attr: name (g/c), children (g/n), mode (g/c) 
 >plot(g4,layout=layout.fruchterman.reingold,vertex.label.dist=0.3,edge.arrow.size=0.5,vertex.color="red") 

3.随机图表和优先连接的生成

 > g <- erdos.renyi.game(20, 0.2)#create a random graph and fix probability  
 > g IGRAPH U--- 20 43 -- Erdos renyi (gnp) graph + attr: name (g/c), type (g/c), loops (g/x), p (g/n) 
 > plot(g, layout=layout.fruchterman.reingold, vertex.label=NA, vertex.size=5,vertex.color="green") 

 > g <- erdos.renyi.game(20, 15, type='gnm')# Generate random graph, fixed number of arcs > g IGRAPH U--- 20 15 -- Erdos renyi (gnm) graph + attr: name (g/c), type (g/c), loops (g/x), m (g/n) 
 > plot(g, layout=layout.reingold.tilford, vertex.label=NA, vertex.size=5,vertex.color="green") 

4.简单图表的算法

 g <- erdos.renyi.game(12, 0.35) > g IGRAPH U--- 12 21 -- Erdos renyi (gnp) graph + attr: name (g/c), type (g/c), loops (g/x), p (g/n) 
 > E(g)$weight <- round(runif(length(E(g))),2) * 50#Create the graph and assign random edge weights 

 > mst <- minimum.spanning.tree(g)#Compute the minimum spanning tree > mst IGRAPH U-W- 12 11 -- Erdos renyi (gnp) graph + attr: name (g/c), type (g/c), loops (g/x), p (g/n), weight (e/n) 

最短路径算法:

> pa <- get.shortest.paths(g, 5, 9)[[1]]
> pa
[1] 5 3 9
> V(g)[pa]$color <- 'green'
> E(g)$color <- 'grey'
> E(g, path=pa)$color <- 'red'
> E(g, path=pa)$width <- 3
> plot(g, layout=layout.fruchterman.reingold) 

 > plot(mst, layout=layout.reingold.tilford, edge.label=E(mst)$weight) 
 > plot(g, layout=layout.fruchterman.reingold, edge.label=E(g)$weight) 

http://blog.sina.com.cn/s/blog_60034d4a0101e12h.html

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Unity Shader

Shader初学笔记:一种三维等值线的算法

把反距离加权算法转换到三维空间,是不是很方便的算出三维空间下的等值线了呢,再结合Shatter Toolkit插件进行剖切,修改修改代码。应该可以解决地层模型任...

51218
来自专栏云时之间

深度学习与神经网络:基于自建手写字体数据集上的模型测试

在上一篇文章中,我们使用mnist数据集去做了一个识别的小型神经网络,在今天的这篇文章里,我们将要通过使用自建数据集去检验上一篇文章的模型,从而真正的可以去应用...

9127
来自专栏人工智能LeadAI

谷歌开放的TensorFlow Object Detection API 效果如何?对业界有什么影响?

熟悉TensorFlow的人都知道,tf在Github上的主页是: https://github.com/tensorflow , 然后这个主页下又有两个比较...

4298
来自专栏AI研习社

Github 项目推荐 | 微软开源 MMdnn,模型可在多框架间转换

近期,微软开源了 MMdnn,这是一套能让用户在不同深度学习框架间做相互操作的工具。比如,模型的转换和可视化,并且可以让模型在 Caffe、Keras、MXNe...

3948
来自专栏数据科学与人工智能

【Python语言】Scikit-learn 快速入门

环境 ubuntu 12.04, 64 bits python 2.7 sklearn 0.14 准备 sklearn 快速入门的官方文档7。这个文档主要描述机...

3016
来自专栏小詹同学

人脸识别(二)——训练分类器

上一篇简单整理了下人脸识别的相关基础知识,这一篇将着重介绍利用pencv(2.4.9)已有的模型进行分类器训练。 一、关于ORL人脸数据库 ORL是一个40个...

5805
来自专栏ATYUN订阅号

【实践操作】:六步教你如何用开源框架Tensorflow对象检测API构建一个玩具检测器

TensorFlow对象检测API是一个建立在TensorFlow之上的开源框架,可以轻松构建,训练和部署对象检测模型。 到目前为止,API的性能给我留下了深刻...

3998
来自专栏梦里茶室

Google机器学习教程心得(一)

Supervised learning 原本我们是教会机器我们的规则,由机器执行规则进行分类,识别。 但规则总有漏洞,我们总能举出规则的反例。 我们不能为每种反...

2387
来自专栏大数据挖掘DT机器学习

一个强化学习 Q-learning 算法的简明教程

本文是对 http://mnemstudio.org/path-finding-q-learning-tutorial.htm 的翻译,共分两部分,第一部分为...

5318
来自专栏AI研习社

Github 项目推荐 | ANSI C 的简单神经网络库

Genann是一个经过精心测试的库,用于在 C 中训练和使用前馈人工神经网络(ANN)。它的主要特点是简单、快速、可靠和可魔改(hackable),它只需要提供...

841

扫码关注云+社区

领取腾讯云代金券