最近，又有一款Python可视化工具火了。

这一次，性能是针对图聚类问题的社群构造进行检测、可视化。

该项目标帖子在reddit上一经公布，就被顶到了“机器学习板块”的榜首。

一起来看看它到底都能用来做什么吧~

性能亮点

这款工具叫作communities， 是一个Python库，用于图聚类问题的社群构造检测。

它反对多种算法，包含：

  • Louvain算法；
  • Girvan-Newman算法；
  • 档次聚类算法；
  • 光谱聚类算法；
  • Bron-Kerbosch算法。

更赞的是，communities还能够实现这些算法的可视化。

具体理解一下～

导入算法并插入矩阵

这里以Louvain算法为例。

这是一种基于模块度的社群发现算法，也是贪婪算法。

它依据顶点的共享边将顶点排列成社群构造，也就是说，它将节点分为几个社群，每个社群之间共享很少的连贯，然而同一社群的节点之间共享许多连贯。

最终，让整个社群网络呈现出一种模块汇集的构造，实现整个社群网络的模块度的最大化。

所以首先，咱们须要构建一个示意无向图的邻接矩阵，能够加权，也能够不加权，矩阵为2Dnumpy数组。

n*n矩阵则示意有n个节点，矩阵的每个地位别离示意各节点之间边的关系，有边则为1，没有边则为0。

而后，只需从communities.algorithms中导入算法并插入矩阵。

import numpy as npfrom communities.algorithms import louvain_methodadj_matrix = np.array([[0, 1, 1, 0, 0, 0],                       [1, 0, 1, 0, 0, 0],                       [1, 1, 0, 1, 0, 0],                       [0, 0, 1, 0, 1, 1],                       [0, 0, 0, 1, 0, 1],                       [0, 0, 0, 1, 1, 0]])communities, _ = louvain_method(adj_matrix)# >>> [{0, 1, 2}, {3, 4, 5}]

接下来输入社群列表，每个社群即为一组节点。

实现可视化，并进行色彩编码

利用communities将图进行可视化，将节点分到社群中并进行色彩编码，还能够抉择深色或浅色背景、保留图片、抉择图片的分辨率等等 。

draw_communities(adj_matrix : numpy.ndarray, communities : list, dark : bool = False, filename : str = None, seed : int = 1)

其中各参数的具体含意为：

  • adj_matrix (numpy.ndarray)：图的邻接矩阵；
  • dark (bool, optional (default=False))：如果为 True, 则绘图为深色背景，否则为浅色背景；
  • filename (str or None, optional (default=None))：通过 filename 门路能够将图另存为PNG格局; 设置 None 则是用交互方式显示图；
  • dpi (int or None, optional (default=None))：每英寸的点数，管制图像的分辨率；
  • seed (int, optional (default=2))：随机种子。

具体到Louvain算法的可视化，代码是这样的：

from communities.algorithms import louvain_methodfrom communities.visualization import draw_communitiesadj_matrix = [...]communities, frames = louvain_method(adj_matrix)draw_communities(adj_matrix, communities)

动画出现算法

communities 还能够动画出现节点调配到社群的过程。

louvain_animation(adj_matrix : numpy.ndarray, frames : list, dark : bool = False, duration : int = 15, filename : str = None, dpi : int = None, seed : int = 2)

其中各参数的含意如下：

  • adj_matrix (numpy.ndarray)：图的邻接矩阵；
  • frames (list)：算法每次迭代的字典列表；
  • 每个字典都有俩个键：“C”蕴含节点到社群的查找表，“Q”示意图的模块度数值；
  • 此字典列表是 louvain_method的第二个返回值；
  • dark (bool, optional (default=False))：如果为 True, 则动画为深色背景和配色计划，否则为浅色计划；
  • duration (int, optional (default=15))：动画所需的持续时间，以秒为单位；
  • filename (str or None, optional (default=None))：通过filename 门路将动画存为GIF；设置None则以交互方式展现动画；
  • dpi (int or None, optional (default=None))：每英寸点数，管制动画的分辨率；
  • seed (int, optional (default=2))：随机种子。

例如，空手道俱乐部网络中Louvain算法的动画出现：

from communities.algorithms import louvain_methodfrom communities.visualization import louvain_animationadj_matrix = [...]communities, frames = louvain_method(adj_matrix)louvain_animation(adj_matrix, frames)

咱们能够看到Louvain算法的动静过程：

  • 首先扫描数据中的所有节点，将每个节点看做一个独立的社群；
  • 接下来，遍历每个节点的街坊节点，判断是否将该节点退出街坊节点所在的社群，以晋升模块度；
  • 这一过程反复迭代，直到每一个节点的社群归属稳固；
  • 最初，将所有在同一个社群的节点压缩成一个新节点，计算新节点的权重，直到整个图的模块度稳固。

大家能够通过文末链接，自行尝试一下其余算法～

此外，它还能够用于社群间邻接矩阵、拉普拉斯矩阵以及模块度矩阵等。

对于这款工具，不少网友收回“awesome”、“really cool！”等花式赞叹，示意正是本人须要的。

当然，也有网友提出疑难，例如：是否能够指定执行的迭代次数（例如：提前进行）？

开发者对此示意：不能，然而对于某些算法，能够指定要将图形划分为多少个社群。

作者简介

我的项目开发者Jonathan Shobrook，他目前是美国一家电商公司的软件工程师。

之前GitHub上的热门我的项目Rebound，也是出自他手，曾经取得3.5k星。

更多信息可戳下方链接理解～

相干链接：

[1]https://github.com/shobrook/c...
[2]https://www.reddit.com/r/Mach...

开源前哨 日常分享热门、乏味和实用的开源我的项目。参加保护 10万+ Star 的开源技术资源库，包含：Python、Java、C/C++、Go、JS、CSS、Node.js、PHP、.NET 等。