首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >采用igraph包分析网络数据

采用igraph包分析网络数据

作者头像
生信修炼手册
发布2020-05-08 16:54:48
3.8K0
发布2020-05-08 16:54:48
举报
文章被收录于专栏:生信修炼手册生信修炼手册

欢迎关注”生信修炼手册”!

对于网络的可视化和数据挖掘,有很多图形界面的软件可供选择,比如cytoscape, gephi 等等,这些软件使用方便,操作简单,功能的强大,但是同时也有着一个缺点,就是无法自动处理,只能通过人工点击鼠标来操作,对于大批量数据的分析而言,依靠人工费事费力。

为了能够自动化编程处理,有很多的程序被开发出来,专门用于网络数据的可视化和分析,igraph就是其中的佼佼者。igraph是一个开源项目,旨在提供一个简单易用,功能强大的网络数据处理框架,在R,Python, C语言中都有具体实现,网址如下

http://igraph.org/

本篇以R语言为例,展示其用法。在R语言中,对应的包名为igraph, 安装方式如下

install.packages("igraph")

network对应的数据结构为graph, 通常用大写字母G表示,顶点的英文为vertex, 用大写字母V表示,边的英文为edge, 用大写字母E表示。对于igraph而言,常用的操作包括以下几种

1. 在R中创建一个network

创建network有很多种方式,这里我们只展示最常用的一种,从文件中读取节点和边的信息,然后在R中创建一个network, 对于节点而言,文件内容示例如下

每一行代表一个节点,每一列代表一个节点的属性,可以有很多列,这里只给出了两个基本属性,id用来唯一表征一个节点, name表示节点上标记的字符,其他属性可以自定义,比如如果节点有分类信息,可以加一个type列。

对于边而言,文件内容示例如下

每一行代表一条边,fromto指定一条边所连接的两个顶点,后面的列是边对应的属性,可以自定义。

在R中,读取文件并创建network的代码如下

# 加载包
library(igraph)
# 读取节点文件
nodes <- read.table("nodes.txt")
# 读取边文件
links <- read.table("links.txt")
# 创建netwok
net <- graph_from_data_frame(
d = links,
vertices = nodes,
directed = F)

directed参数代表创建的network是否为有向图。创建好之后,可以通过V(net)name访问节点的属性,类似的,通过E(net)type访问边的属性。

2. 可视化

创建好之后,可以对网络进行可视化。在可视化时,有两个因素需要考虑,一个就是节点和边的属性展示,比如节点的颜色,不同分类的节点是否用不同颜色展示,另外一个就是layout布局,选择何种布局算法,在igraph中,都可以方便的进行处理。

第一个例子展示如何根据边的属性对边的颜色进行划分,示例如下

# 设置不同type的边颜色不同
E(net)$color <-  "red"
index <- E(net)$type == "mention"
E(net)$color <- "green"
# 可视化
plot(
net,
vertex.color = "gray50",
edge.color = E(net)$color
)

根据type属性,自定义了一个color属性,不同type对应不同颜色,在可视化时,直接指定边的颜色为我们自定义的color属性就可以了,对于节点的颜色,统一指定为灰色。plot函数还支持非常多的属性,详细参数请参考函数的帮助文档。

第二个例子展示布局,对于layout而言,在igraph中,有非常多的布局算法,具体的可以查看layout函数的帮助文档,调用布局算法绘图的代码如下

plot(net, layout = layout_in_circle)
3. 统计网络的拓扑属性

通过``统计节点的度,用法如下

> degree(g, mode="all")
[1] 3 4 3 2 2 1 1

通过edge_dentisy统计密度,用法如下

> edge_density(net)
[1] 0.3809524

通过transitivity函数统计clustering coefficient, 用法如下

> transitivity(g, type="global")
[1] 0.4285714
> transitivity(g, type="local")
[1] 0.6666667 0.3333333 0.0000000 1.0000000
> transitivity(g, type="average")
[1] 0.6
4. 对网络进行聚类

igraph中,支持多种网络聚类算法,来挖掘复杂网络中的community, 示例如下

cfg <- cluster_fast_greedy(net)
plot(cfg, net)

cluster_fast_greedy调用fast greedy algorithm算法,来预测community,其他聚类函数的用法和上述用法一致,生成的图片如下

节点对应的community信息可以从cfg这个对象中得到

> cfg
IGRAPH clustering fast greedy, groups: 10, mod: 0.77
+ groups:
 $`1`
  [1]  5  6 13 16 31 32 54 59 63 67 69 72 75 $`2`
  [1]  8 10 18 44 45 50 55 66 68 74 7

对于每个community, 可以通过如下方式得到其子图,

nodes <- V(net)[cfg$membership == 1]
g <- induced_subgraph(net, nodes)
plot(g, layout = layout_in_circle)

生成的图片如下

通过igraph包,可以自动化的编程处理网络数据,节省精力,避免重复劳动。缺点就是该包内置的聚类算法有限,mcode 和 mcl 这两种算法就没有。

·end·

—如果喜欢,快分享给你的朋友们吧—

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2018-10-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 生信修炼手册 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1. 在R中创建一个network
  • 2. 可视化
  • 3. 统计网络的拓扑属性
  • 4. 对网络进行聚类
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档