R：如何有效地可视化大型图网络

问题描述

我在R中模拟了一些图形网络数据（约10,000个观测值），并尝试使用R中的visNetwork库对其进行可视化。但是，数据非常混乱，很难进行可视化分析（我了解现实生活中，网络数据应使用图形查询语言进行分析。）

目前，有什么我可以做的事情来改善我创建的图网络的可视化（以便我可以探索彼此重叠在一起的一些链接和节点）？

可以使用“ networkD3”和“ diagrammeR”之类的库更好地可视化此网络吗？

我在下面附加了可复制的代码：

library(igraph)
library(dplyr)
library(visNetwork)

#create file from which to sample from
x5 <- sample(1:10000,10000,replace=T)
#convert to data frame
x5 = as.data.frame(x5)

#create first file (take a random sample from the created file)
a = sample_n(x5,9000)
#create second file (take a random sample from the created file)
b = sample_n(x5,9000)

#combine
c = cbind(a,b)
#create dataframe
c = data.frame(c)
#rename column names
colnames(c) <- c("a","b")

graph <- graph.data.frame(c,directed=F)
graph <- simplify(graph)
graph

plot(graph)

library(visNetwork)
nodes <- data.frame(id = V(graph)$name,title = V(graph)$name)
nodes <- nodes[order(nodes$id,decreasing = F),]
edges <- get.data.frame(graph,what="edges")[1:2]

visNetwork(nodes,edges) %>%   visIgraphLayout(layout = "layout_with_fr") %>%
    visOptions(highlightNearest = TRUE,nodesIdSelection = TRUE) %>% 
    visInteraction(navigationButtons = TRUE)

谢谢

解决方法

应OP的要求，我正在应用上一个答案中使用的方法 Visualizing the result of dividing the network into communities解决此问题。

问题中的网络不是使用指定的随机种子创建的。在这里，我指定了可重复性的种子。

## reproducible version of OP's network
library(igraph)
library(dplyr)

set.seed(1234)
#create file from which to sample from
x5 <- sample(1:10000,10000,replace=T)
#convert to data frame
x5 = as.data.frame(x5)

#create first file (take a random sample from the created file)
a = sample_n(x5,9000)
#create second file (take a random sample from the created file)
b = sample_n(x5,9000)

#combine
c = cbind(a,b)
#create dataframe
c = data.frame(c)
#rename column names
colnames(c) <- c("a","b")

graph <- graph.data.frame(c,directed=F)
graph <- simplify(graph)

如OP所述，简单的情节是一团糟。参考的先前答案将其分为两部分：

绘制所有小组件
绘制巨型组件

1。小型组件 不同的组件使用不同的颜色来帮助区分它们。

## Visualize the small components separately
SmallV = which(components(graph)$membership != 1)
SmallComp = induced_subgraph(graph,SmallV)
LO_SC = layout_components(SmallComp,layout=layout_with_graphopt)
plot(SmallComp,layout=LO_SC,vertex.size=9,vertex.label.cex=0.8,vertex.color=rainbow(18,alpha=0.6)[components(graph)$membership[SmallV]])

可以做更多的事情，但这很简单，不是问题的实质，所以我将其保留为小组件的代表。

2。巨型组件
仅仅绘制巨大的部分仍然很难阅读。这是两个改善显示效果的方法。两者都依赖于对顶点进行分组。对于此答案，我将使用cluster_louvain对节点进行分组，但是您可以尝试其他社区检测方法。 cluster_louvain产生47 社区。 p>

## Now try for the giant component
GiantV = which(components(graph)$membership == 1)
GiantComp = induced_subgraph(graph,GiantV)
GC_CL = cluster_louvain(GiantComp)
max(GC_CL$membership)
[1] 47

巨型方法1-分组的顶点
创建一个强调社区的布局

GC_Grouped = GiantComp
E(GC_Grouped)$weight = 1
for(i in unique(membership(GC_CL))) {
    GroupV = which(membership(GC_CL) == i)
    GC_Grouped = add_edges(GC_Grouped,combn(GroupV,2),attr=list(weight=6))
} 

set.seed(1234)
LO = layout_with_fr(GC_Grouped)
colors <- rainbow(max(membership(GC_CL)))
par(mar=c(0,0))
plot(GC_CL,GiantComp,layout=LO,vertex.size = 5,vertex.color=colors[membership(GC_CL)],vertex.label = NA,edge.width = 1)

这提供了一些见识，但是很多的边缘使其难以阅读。

巨型方法2-契约社区
将每个社区绘制为单个顶点。顶点大小反映该社区中节点的数量。颜色代表社区节点的程度。

## Contract the communities in the giant component
CL.Comm = simplify(contract(GiantComp,membership(GC_CL)))
D = unname(degree(CL.Comm))

set.seed(1234)
par(mar=c(0,0))
plot(CL.Comm,vertex.size=sqrt(sizes(GC_CL)),vertex.label=1:max(membership(GC_CL)),vertex.cex = 0.8,vertex.color=round((D-29)/4)+1)

这要干净得多，但是会丢失社区的任何内部结构。

只是“现实生活”的提示。处理大型图形的最佳方法是：1）通过某种方式过滤使用的边缘，或2）使用一些相关变量作为权重。

data-visualization graph graph graph graph-visualization igraph r r