Как визуализировать большую сеть в R?

Еще один способ визуализировать очень большие сети - использовать BioFabric (www.BioFabric.org), который использует горизонтальные линии вместо точек для представления узлов. Затем края отображаются с помощью вертикальных отрезков. Быстрая демонстрация этой техники на D3 представлена ​​по адресу: http://www.biofabric.org/gallery/pages/SuperQuickBioFabric.html.

BioFabric - это приложение Java, но простая версия R доступна по адресу: https://github.com/wjrl/RBioFabric < / а>.

 # You need 'devtools':
 install.packages("devtools")
 library(devtools)

 # you need igraph:
 install.packages("igraph")
 library(igraph)

 # install and load 'RBioFabric' from GitHub
 install_github('RBioFabric',  username='wjrl')
 library(RBioFabric)

 #
 # This is the example provided in the question:
 #

 set.seed(123)
 bfGraph = barabasi.game(1000)

 # This example has 1000 nodes, just like the provided example, but it 
 # adds 6 edges in each step, making for an interesting shape; play
 # around with different values.

 # bfGraph = barabasi.game(1000, m=6, directed=FALSE)

 # Plot it up! For best results, make the PDF in the same
 # aspect ratio as the network, though a little extra height
 # covers the top labels. Given the size of the network,
 # a PDF width of 100 gives us good resolution.

 height <- vcount(bfGraph)
 width <- ecount(bfGraph)
 aspect <- height / width;
 plotWidth <- 100.0
 plotHeight <- plotWidth * (aspect * 1.2)
 pdf("myBioFabricOutput.pdf", width=plotWidth, height=plotHeight)
 bioFabric(bfGraph)
 dev.off()

Это интересный вопрос, я не знал большинства перечисленных вами инструментов, поэтому спасибо. Вы можете добавить в список HivePlot. Это детерминированный метод, заключающийся в проецировании узлов на фиксированное количество осей (обычно 2 или 3). Посмотрите на связанную страницу, есть много наглядных примеров.

Он работает лучше, если у вас есть категориальный узловой атрибут в вашем наборе данных, чтобы вы могли использовать его для выбора, к какой оси идет узел. Например, при изучении социальной сети университета: студенты по одной оси, преподаватели по другой и административный персонал по третьей. Но, конечно, он также может работать с дискретным числовым атрибутом (например, молодые, средние и пожилые люди на их соответствующих осях).

Затем вам нужен другой атрибут, на этот раз он должен быть числовым (или, по крайней мере, порядковым). Он используется для определения положения узла на его оси. Вы также можете использовать некоторую топологическую меру, например степень или транзитивность (коэффициент кластеризации).

_{(источник: hiveplot.net)}

Тот факт, что метод является детерминированным, интересен тем, что он позволяет сравнивать разные сети, представляющие разные (но сопоставимые) системы. Например, вы можете сравнить два университета (при условии, что вы используете одни и те же атрибуты / меры для определения осей и положения). Это также позволяет описывать одну и ту же сеть различными способами, выбирая различные комбинации атрибутов / показателей для создания визуализации. Это рекомендуемый способ визуализации сети благодаря так называемой панели улья.

Несколько программ, способных генерировать эти графики-ульи, перечислены на странице, которую я упомянул в начале этого сообщения, включая реализации на Java и R.

Я недавно столкнулся с этой проблемой. В результате я придумал другое решение. Свернуть график по сообществам / кластерам. Этот подход аналогичен третьему варианту, описанному выше в ОП. В качестве предупреждения, этот подход лучше всего работает с неориентированными графами. Например:

library(igraph)

set.seed(123)
g <- barabasi.game(1000) %>%
  as.undirected()

#Choose your favorite algorithm to find communities.  The algorithm below is great for large networks but only works with undirected graphs
c_g <- fastgreedy.community(g)

#Collapse the graph by communities.  This insight is due to this post http://stackoverflow.com/questions/35000554/collapsing-graph-by-clusters-in-igraph/35000823#35000823

res_g <- simplify(contract(g, membership(c_g))) 

Результатом этого процесса является рисунок ниже, где имена вершин представляют членство в сообществе.

plot(g, margin = -.5)

Вышеупомянутое явно лучше, чем этот ужасный беспорядок

plot(r_g, margin = -.5)

Чтобы связать сообщества с исходными вершинами, вам понадобится что-то вроде следующего

mem <- data.frame(vertices = 1:vcount(g), memeber = as.numeric(membership(c_g)))

ИМО, это хороший подход по двум причинам. Во-первых, теоретически он может работать с графом любого размера. Процесс поиска сообществ можно непрерывно повторять на свернутых графах. Во-вторых, использование интерактивного подхода даст очень удобочитаемые результаты. Например, можно представить, что пользователь может щелкнуть вершину свернутого графа, чтобы развернуть это сообщество, открыв все его исходные вершины.

Я осмотрелся и не нашел хорошего решения. Мой подход заключался в том, чтобы удалить узлы и поиграть с прозрачностью краев. Это скорее дизайнерское решение, чем техническое, но я смог без особых сложностей построить на своем ноутбуке gephi-подобные сети до 50 000 ребер.

с вашим примером:

plot(simplify(g), vertex.size= 0.01,edge.arrow.size=0.001,vertex.label.cex = 0.75,vertex.label.color = "black"  ,vertex.frame.color = adjustcolor("white", alpha.f = 0),vertex.color = adjustcolor("white", alpha.f = 0),edge.color=adjustcolor(1, alpha.f = 0.15),display.isolates=FALSE,vertex.label=ifelse(page_rank(g)$vector > 0.1 , "important nodes", NA))

Пример твиттера упоминает сеть с 30000 ребер:

Еще один интересный пакет - networkD3. В этой библиотеке есть множество средств представления графиков. В частности, я считаю forceNetwork интересным вариантом. Он интерактивен и, следовательно, позволяет вам по-настоящему исследовать вашу сеть. Это замечательно для EDA, но может быть слишком "шатким" для финальной работы.