這個圖聚類Python工具火了：社群結構可視化、檢測
本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。
最近，又有一款Python可視化工具火了。
這一次，功能是針對圖聚類問題的社群結構進行檢測、可視化。
該項目的帖子在reddit上一經發布，就被頂到了“機器學習板塊”的榜首。
一起來看看它究竟都能用來做什么吧~
功能亮點
這款工具叫作communities， 是一個Python庫，用于圖聚類問題的社群結構檢測。
它支持多種算法，包括：
- Louvain算法；
- Girvan-Newman算法；
- 層次聚類算法；
- 光譜聚類算法；
- Bron-Kerbosch算法。
更贊的是，communities還可以實現這些算法的可視化。
具體了解一下～
導入算法并插入矩陣
這里以Louvain算法為例。
這是一種基于模塊度的社群發現算法，也是貪心算法。
它根據頂點的共享邊將頂點排列成社群結構，也就是說，它將節點分為幾個社群，每個社群之間共享很少的連接，但是同一社群的節點之間共享許多連接。
最終，讓整個社群網絡呈現出一種模塊聚集的結構，實現整個社群網絡的模塊度的最大化。
所以首先，我們需要構建一個表示無向圖的鄰接矩陣，可以加權，也可以不加權，矩陣為2Dnumpy數組。
n*n矩陣則表示有n個節點，矩陣的每個位置分別表示各節點之間邊的關系，有邊則為1，沒有邊則為0。
然后，只需從communities.algorithms中導入算法并插入矩陣。
- import numpy as np
- from communities.algorithms import louvain_method
- adj_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}]
接下來輸出社群列表，每個社群即為一組節點。
實現可視化，并進行顏色編碼
利用communities將圖進行可視化，將節點分到社群中并進行顏色編碼，還可以選擇深色或淺色背景、保存圖片、選擇圖片的分辨率等等 。
draw_communities(adj_matrix : numpy.ndarray, communities : list, dark : bool = False, filename : str = None, seed : int = 1)
其中各參數的具體含義為：
- adj_matrix (numpy.ndarray)：圖的鄰接矩陣；
- dark (bool, optional (default=False))：如果為 True, 則繪圖為深色背景，否則為淺色背景；
- filename (str or None, optional (default=None))：通過 filename 路徑可以將圖另存為PNG格式; 設置 None 則是用交互方式顯示圖；
- dpi (int or None, optional (default=None))：每英寸的點數，控制圖像的分辨率；
- seed (int, optional (default=2))：隨機種子。
具體到Louvain算法的可視化，代碼是這樣的：
- from communities.algorithms import louvain_method
- from communities.visualization import draw_communities
- adj_matrix = [...]
- communities, frames = louvain_method(adj_matrix)
- draw_communities(adj_matrix, communities)
動畫呈現算法
communities 還可以動畫呈現節點分配到社群的過程。
louvain_animation(adj_matrix : numpy.ndarray, frames : list, dark : bool = False, duration : int = 15, filename : str = None, dpi : int = None, seed : int = 2)
其中各參數的含義如下：
- adj_matrix (numpy.ndarray)：圖的鄰接矩陣；
- frames (list)：算法每次迭代的字典列表；
- 每個字典都有倆個鍵：“C”包含節點到社群的查找表，“Q”表示圖的模塊度數值；
- 此字典列表是 louvain_method的第二個返回值；
- dark (bool, optional (default=False))：如果為 True, 則動畫為深色背景和配色方案，否則為淺色方案；
- duration (int, optional (default=15))：動畫所需的持續時間，以秒為單位；
- filename (str or None, optional (default=None))：通過filename 路徑將動畫存為GIF；設置None則以交互方式展示動畫；
- dpi (int or None, optional (default=None))：每英寸點數，控制動畫的分辨率；
- seed (int, optional (default=2))：隨機種子。
例如，空手道俱樂部網絡中Louvain算法的動畫呈現：
- from communities.algorithms import louvain_method
- from communities.visualization import louvain_animation
- adj_matrix = [...]
- communities, frames = louvain_method(adj_matrix)
- louvain_animation(adj_matrix, frames)
我們可以看到Louvain算法的動態過程：
- 首先掃描數據中的所有節點，將每個節點看做一個獨立的社群；
- 接下來，遍歷每個節點的鄰居節點，判斷是否將該節點加入鄰居節點所在的社群，以提升模塊度；
- 這一過程重復迭代，直到每一個節點的社群歸屬穩定；
- 最后，將所有在同一個社群的節點壓縮成一個新節點，計算新節點的權重，直到整個圖的模塊度穩定。
大家可以通過文末鏈接，自行嘗試一下其他算法～
此外，它還可以用于社群間鄰接矩陣、拉普拉斯矩陣以及模塊度矩陣等。
對于這款工具，不少網友發出“awesome”、“really cool！”等花式贊嘆，表示正是自己需要的。
當然，也有網友提出疑問，例如：是否可以指定執行的迭代次數（例如：提前停止）？
開發者對此表示：不能，但是對于某些算法，可以指定要將圖形劃分為多少個社群。
作者簡介
項目開發者Jonathan Shobrook，他目前是美國一家電商公司的軟件工程師。
之前GitHub上的熱門項目Rebound，也是出自他手，已經獲得3.5k星。
更多信息可戳下方鏈接了解～
相關鏈接：
[1]https://github.com/shobrook/communities
[2]https://www.reddit.com/r/MachineLearning/comments/lozys9/p_i_made_communities_a_library_of_clustering/
