python图工具中基于随机块模型动态网络社团检测网络图

python图工具中基于随机块模型动态网络社团检测网络图

这是“2004年大选”中的博客网络图，但是边缘束是使用随机块模型确定的（注：下图与图相同（即，布局和数据相同））。 Tiago论文中的5-我只是在上面放了一个黑色背景 。 

  相关视频：复杂网络分析CNA简介与R语言对婚礼数据聚类（社区检测）和可视化|数据分享

复杂网络分析CNA简介与R语言对婚礼数据聚类（社区检测）和可视化

边缘配色方案与Adamic和Glance的原始论文中的相同，即每个节点对应一个博客URL，颜色反映取向，红色代表保守派，蓝色代表自由派。橙色边从自由派博客到保守派博客，紫色边从保守派到自由派（参见Adamic和Glance中的图1）。

每个博客的网址都在每个节点旁边绘制，这是一个特写：

使颜色正确需要一些调整：

red_blue_map = {1:(1,0,0,1),0:(0,0,1,1)}
plot_color = g.new_vertex_property('vector<double>')
g.vertex_properties['plot_color'] = plot_color

为了使用分层边缘捆绑算法，我们首先需要进行聚类。

这些聚类用于形成一个层次结构，该层次结构可以轻松确定标准的树布局（如下图所示）。通过沿树内插来绘制层次边缘束。

这是上图使用的树：

最后，我们设置文本旋转并保存图形。

部分代码片段：

# -*- coding: utf-8 -*-
import graph_tool.all as gt
import mathg = gt.collection.data["polblogs"] #  .pdf
print(g.num_vertices(), g.num_edges())#减少到仅连接的节点
g = gt.GraphView(g,vfilt=lambda v: (v.out_degree() > 0) and (v.in_degree() > 0) )
g.purge_vertices()print(g.num_vertices(), g.num_edges())#使用1->共和党人，2->民主党人
red_blue_map = {1:(1,0,0,1),0:(0,0,1,1)}
plot_color = g.new_vertex_property('vector<double>')
g.vertex_properties['plot_color'] = plot_color
for v in g.vertices():plot_color[v] = red_blue_map[g.vertex_properties['value'][v]]gt.graph_draw(g, pos=pos, vertex_fill_color=g.vertex_properties['plot_color'],vertex_color=g.vertex_properties['plot_color'],edge_control_points=cts,vertex_size=10,vertex_text=g.vertex_properties['label'],vertex_text_rotation=g.vertex_properties['text_rot'],vertex_text_position=1,vertex_font_size=9,edge_color=g.edge_properties['edge_color'],vertex_anchor=0,bg_color=[0,0,0,1],output_size=[4024,4024],output='polblogs_blockmodel.png')