Как обнаружить сообщество в направленном взвешенном графике с помощью networkX? - PullRequest
Новая
       106

Как обнаружить сообщество в направленном взвешенном графике с помощью networkX?

1 голос
/ 24 января 2020

У меня есть связанный компонент - ориентированный граф с граничным весом , я пытался использовать

community.best_partition (G)

чтобы получить раздел, я получаю ошибку типа: неверный тип графика, используйте только неориентированный граф. Вот почему я преобразовал направленный граф в ненаправленный, а затем получил раздел. Это какой-то способ решить проблему без преобразования, направленного на неориентированные и использующие весовые коэффициенты?

Кроме того, у меня есть еще один вопрос, как я могу получить топ-5 узлов степени центральности в каждом сообществе раздела. например:

undirected_strong_partition = community.best_partition (undirectedstrong_community, weight = 'weight') undirected_strong_partition 

{'node1': 0,
 'node2': 0,
 'node3': 0,
 'node4': 0,
 'node5': 1,
 'node6': 2,
 'node7': 2,
 'node8': 2,
 'node9': 2,
...}

если это возможно, я хочу получить топ 5 узлы степени в каждом сообществе. например: 

{community0: [nodetop1,nodetop2...nodetop5]}

Заранее спасибо.

1 Ответ

1 голос
/ 28 января 2020

Это можно решить следующим образом:

Код: 

import community
import networkx as nx

# Generate test graph
G = nx.fast_gnp_random_graph(100, 0.1)

# Relabel nodes
G = nx.relabel_nodes(G, {i: f"node_{i}" for i in G.nodes})

# Compute partition
partition = community.best_partition(G)

# Get a set of the communities
communities = set(partition.values())

# Create a dictionary mapping community number to nodes within that community
communities_dict = {c: [k for k, v in partition.items() if v == c] for c in communities}

# Filter that dictionary to map to first sort the nodes in the community by degree, then take the top 5.
highest_degree = {k: sorted(v, key=lambda x: G.degree(x))[-5:] for k, v in communities_dict.items()}

Выход: 

>>> highest_degree
{0: ['node_91', 'node_24', 'node_19', 'node_8', 'node_83'],
 1: ['node_54', 'node_69', 'node_88', 'node_48', 'node_84'],
 2: ['node_79', 'node_34', 'node_52', 'node_46', 'node_36'],
 3: ['node_98', 'node_96', 'node_86', 'node_76', 'node_30'],
 4: ['node_29', 'node_40', 'node_10', 'node_90', 'node_32'],
 5: ['node_94', 'node_97', 'node_59', 'node_25', 'node_37'],
 6: ['node_31', 'node_56', 'node_57', 'node_62', 'node_63']}
...