[英]Differences in centrality measures between igraph and tnet
我正试图获得有针对性的加权网络的中心度量。 我一直在使用R
的igraph
和tnet
包。 但是,我发现使用这两个软件包获得的结果存在一些差异,我对这些差异的原因有点困惑。 见下文。
require(igraph)
require(tnet)
set.seed(1234)
m <- expand.grid(from = 1:4, to = 1:4)
m <- m[m$from != m$to, ]
m$weight <- sample(1:7, 12, replace = T)
igraph_g <- graph.data.frame(m)
tnet_g <- as.tnet(m)
closeness(igraph_g, mode = "in")
2 3 4 1
0.05882353 0.12500000 0.07692308 0.09090909
closeness(igraph_g, mode = "out")
2 3 4 1
0.12500000 0.06250000 0.06666667 0.10000000
closeness(igraph_g, mode = "total")
2 3 4 1
0.12500000 0.14285714 0.07692308 0.16666667
closeness_w(tnet_g, directed = T, alpha = 1)
node closeness n.closeness
[1,] 1 0.2721088 0.09070295
[2,] 2 0.2448980 0.08163265
[3,] 3 0.4130809 0.13769363
[4,] 4 0.4081633 0.13605442
谁知道发生了什么事?
在发布这个问题之后,我偶然发现了一个由tnet
维护的博客 ,他是tnet
软件包的tnet
。 我使用博客的这篇文章中的评论问了同样的Tore问题。 以下是Tore的回复:
感谢您使用tnet!
igraph
能够处理重量; 然而,igraph
的距离函数期望权重代表“成本”而不是“强度”。 换句话说,系带重量被认为是穿过系带所需的能量。 请参阅加权网络中的最短路径 。
因此,如果您运行Tore提供的以下代码(在将权重传递给igraph
之前获取权重的倒数),您将获得tnet
和igraph
等效紧密度分数。
> # Load packages
> library(tnet)
>
> # Create random network (you could also use the rg_w-function)
> m <- expand.grid(from = 1:4, to = 1:4)
> m <- m[m$from != m$to, ]
> m$weight <- sample(1:7, 12, replace = T)
>
> # Make tnet object and calculate closeness
> closeness_w(m)
node closeness n.closeness
[1,] 1 0.2193116 0.07310387
[2,] 2 0.3809524 0.12698413
[3,] 3 0.2825746 0.09419152
[4,] 4 0.3339518 0.11131725
>
> # igraph
> # Invert weights (transform into costs from strengths)
> # Multiply weights by mean (just scaling, not really)
> m$weight <- mean(m$weight)/m$weight
> # Transform into igraph object
> igraph_g <- graph.data.frame(m)
> # Compute closeness
> closeness(igraph_g, mode = "out")
2 3 4 1
0.3809524 0.2825746 0.3339518 0.2193116
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.