标签：教程 la 分区 partition optimiser membership leidenalg nodes
leidenalg包教程
目录安装
简单来说，可以使用pip install leidenalg直接安装。
也可以使用源码进行安装， 安装这个包需要C核心库igraph和python包python-igraph，然后可以通过python setup.py test安装
不建议Windows，使用源代码进行安装。
介绍
leidenalg软件包建立在igraph基础之上，有助于网络的社区发现。
leiden是大型网络中社区发现方法的通用算法。
如果只想对给定的图\(G\)进行模块化社区发现可以：
import leidenalg as la
import igraph as ig
partition = la.find_partition(G, la.ModularityVertexPartition) # 模块化顶点分区
在igraph包中内置了Louvain算法community_multilevel()，可以简单的将无向无权重图进行分区。在leidenalg包中，有一些其他的功能，并且使用的leidena算法比louvain算法性能更好。
例子：Zachary 空手道俱乐部网络
import igraph as ig
import leidenalg as la
# 加载 Zachary 空手道俱乐部图
G = ig.Graph.Famous('Zachary')
# 检测具有模块化的社区
partition = la.find_partition(G, la.ModularityVertexPartition)
# 绘制结果
ig.plot(partition)
在这种情况下，算法实际上会找到最佳分区，可以使用igraph包中的community_optimal_modularity()来检查,会得到不同的结果。
但是，这样做会得到很多的子社区。下面介绍使用CPMVertexPartition如何将它一分为二：
partition = la.find_partition(G, la.CPMVertexPartition, resolution_parameter = 0.05);
ig.plot(partition)
传递给find_partition的额外参数**kwargs都会传递给给定partition_type。可以传递resolution_parameter、weights 、node_sizes等参数。
除此之外，leidenalg还支持有向图和加权图，可以在一定程度上自定义优化程序，而且还支持处理多路复用图（多元异构图）。
高级技巧
1. 优化器
leidenalg包提供对函数的简单访问find_partition()，但是底层使用Optimiser类完成。显示构建一个Optimiser对象：
optimiser = la.Optimiser()
函数find_partition()不在执行任何其他操作，仅在提供的分区上调用optimise_partition。
diff = optimiser.optimise_partition(partition)
optimise_partition()简单地尝试优化分区，可以反复调用以不断优化
G = ig.Graph.Erdos_Renyi(100, p=5./100)
partition = la.ModularityVertexPartition(G)
diff = 1
while diff > 0:
diff = optimiser.optimise_partition(partition)
调用可能没有改进当前分区，下一次可能会改进。
进行重复迭代可以调用内置的函数，传入参数：
diff = optimiser.optimise_partition(partition, n_iterations=10)
如果n_iterations<0，优化器会持续下去优化，直到遇到没有改进的分区的迭代。
optimise_partition()的执行过程又是建立在move_nodes()和merge_nodes()算法之上，可以自行调用：
diff = optimiser.move_nodes(partition)
diff = optimiser.merge_nodes(partition)
使用以上基本算法实现Louvain算法聚合分区，并在聚合分区上重复使用move_nodes():
partition = la.ModularityVertexPartition(G)
while optimiser.move_nodes(partition) > 0:
partition = partition.aggregate_partition()
尽管这样可以找到最终的聚合分区，但是在各个节点级别上的实际分区仍然不清楚。为了做到这一点，我们需要基于聚合分区更新成员关系，为此我们使用函数 from_coarse_partition()
partition = la.ModularityVertexPartition(G)
partition_agg = partition.aggregate_partition()
while optimiser.move_nodes(partition_agg) > 0:
partition.from_coarse_partition(partition_agg)
partition_agg = partition_agg.aggregate_partition()
现在partition_agg包含聚合分区，并且partition包含原始图G的实际分区。partition_agg.quality() == partition.quality() 两个基本等价。
也可以使用merge_nodes()代替move_nodes()，函数的选择取决于特定的替换社区。
在Leiden算法中，可以先细化分区，再聚合。算法可以使用函数数move_nodes_constrained()和 merge_nodes_constrained()来完成：
# Set initial partition 设置初始化分区
partition = la.ModularityVertexPartition(G)
refined_partition = la.ModularityVertexPartition(G)
partition_agg = refined_partition.aggregate_partition()
while optimiser.move_nodes(partition_agg):
# Get individual membership for partition 得到个体分区的资格
partition.from_coarse_partition(partition_agg, refined_partition.membership)
# Refine partition 细化分区
refined_partition = la.ModularityVertexPartition(G)
optimiser.merge_nodes_constrained(refined_partition, partition)
# Define aggregate partition on refined partition 在细化分区上定义聚合分区
partition_agg = refined_partition.aggregate_partition()
# But use membership of actual partition使用实际分区的资格
aggregate_membership = [None] * len(refined_partition)
for i in range(G.vcount()):
aggregate_membership[refined_partition.membership[i]] = partition.membership[i]
partition_agg.set_membership(aggregate_membership)
这些函数又依赖两个关键的基本函数： diff_move()和move_node()。前者计算移动节点时的差异，后者实际移动节点，并更新所有必要的内部管理。函数move_nodes()然后执行：
for v in G.vs:
best_comm = max(range(len(partition)),
key=lambda c: partition.diff_move(v.index, c))
partition.move_node(v.index, best_comm)
实际的实现更为复杂，总体是这个思路。
2. Resolution profile 分辨率配置文件
该参数的作用是一种阈值：社区的密度至少要达到\(\gamma\)，而社区之间的密度要低于\(\gamma\)，较高的分辨率会导致更多的社区，而较低的分辨率会导致更少的社区
一些如CPMVertexPartition或RBConfigurationVertexPartition方法接受的分辨率（解析）参数。虽然某些方法具有某种“天生”的分辨率参数，但实际上却是十分武断的。然而，这里使用的方法（以线性方式依赖于分辨率参数）允许对分辨率参数的范围内进行有效扫描。这些方法可以表述为\(Q = E - \gamma N\)。
在CPMVertexPartition中\(E= \sum_c m_c\)表示社区\(c\)中的边的数量，\(N=\sum_c {n_c \choose 2}\)表示期望的社区\(c\)内部的边的总和。如果存在最佳分区\(\gamma_1\)和\(\gamma_2\)，那么\(\gamma_1 ≤ \gamma ≤ \gamma_2\)都是最佳分区。
可以使用Optimiser对象构建这样的分辨率参数：
G = ig.Graph.Famous('Zachary')
optimiser = la.Optimiser()
profile = optimiser.resolution_profile(G, la.CPMVertexPartition,
resolution_range=(0,1))
绘制分辨率参数与子社区总边数的关系图，结果如下：
现在，配置文件包含一个指定类型的分区列表（例子中为CPMVertexPartition），用于解析参数发生变化。特别是，profile[i]应该更好直到profile[i+1]，或者有另外的说明，对于profile[i].resolution_parameter和 profile[i+1].resolution_parameter之间的分区的分辨率参数i更好。当然，会有一些变化，因为optimise_partition()会找到不同质量的分区，不同的运行，变化点也可能会有所不同。
此函数会重复调用optimise_partition() ，因此可能需要大量时间。特别是对于改变点附近的分辨率参数，可能有许多可能的分区，因此需要大量运行。
3. 固定（确定）节点
由于某些原因，只更新分区（子社区）的一部分可能是有益的。例如，在一些数据上已经运行了leiden算法，并对结果进行了一些分析，随后又收集了一些新的数据，特别是新的节点，那么保持以前的社区分配不变，而只更新新节点的社区分配，这样做可能是有益的。
可以使用is_membership_fixed参数传入find_partition()来完成分区。
例如，假设我们之前检测到图G的分区，它被扩展到图G2。假设之前退出的节点是相同的，我们可以通过以下方式创建一个新的分区:
new_membership = list(range(G2.vcount()))
new_membership[:G.vcount()] = partition.membership
然后，我们只能按照如下方式更新新节点的社区分配
new_partition = la.CPMVertexPartition(G2, new_membership, resolution_parameter=partition.resolution_parameter)
is_membership_fixed = [i < G.vcount() for i in range(G2.vcount())]
diff = optimiser.optimise_partition(partition, is_membership_fixed=is_membership_fixed)
在这个例子中，使用了CPMVertexPartition，也可以使用其他VertexPartition。
参考链接
未完待续
标签：教程,la,分区,partition,optimiser,membership,leidenalg,nodes 来源： https://www.cnblogs.com/qiaofutu/p/16387501.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。