Teoria dos grafos - análise e visualização

Não sei se o assunto entra no interesse CrossValidated. Você vai me dizer.

Eu tenho que estudar um gráfico (a partir da teoria dos grafos ) ou seja. Eu tenho um certo número de pontos que estão conectados. Eu tenho uma mesa com todos os pontos e os pontos de que cada um depende. (Eu também tenho outra tabela com as implicações)

Minhas perguntas são:
Existe um bom software (ou um pacote R) para estudar tão facilmente?
Existe uma maneira fácil de exibir o gráfico?

O iGraph é uma biblioteca de linguagem cruzada (R, Python, Ruby, C) muito interessante. Ele permite que você trabalhe com gráficos direcionados e não direcionados e possui alguns algoritmos de análise já implementados.

Existem vários pacotes para representar gráficos direcionados e não direcionados, matriz de incidência / adjacência, etc., além do gráfico ; veja, por exemplo, a visualização gR Task.

Para visualização e computação básica, acho que o pacote igraph é confiável, além do Rgraphviz (no BioC, como apontado pelo @Rob). Esteja ciente de que, para que este funcione corretamente, o graphviz também deve ser instalado. O pacote igraph possui bons algoritmos para criar bons layouts, como o graphviz .

Aqui está um exemplo de uso, iniciando a partir de uma matriz de adjacência falsa:

adj.mat <- matrix(sample(c(0,1), 9, replace=TRUE), nr=3)
g <- graph.adjacency(adj.mat)
plot(g)

Além do que foi dito, apenas para a tarefa de vinctization (e fora do R), você pode estar interessado em verificar o Gephi .

Outra opção é o pacote statnet. O Statnet possui funções para todas as medidas comumente usadas no SNA e também pode estimar os modelos ERG. Se você tiver seus dados em uma lista de margem, leia-os da seguinte maneira (assumindo que seu quadro de dados esteja rotulado como "edgelist"):

net <- as.network(edgelist, matrix.type = "edgelist", directed = TRUE) #if the network is directed, otherwise: directed = FALSE

Se seus dados estiverem em uma matriz de adjacência, substitua o argumento matrix.type por "adjacency":

net <- as.network(edgelist, matrix.type = "adjacency", directed = TRUE)

O pacote statnet possui alguns recursos de plotagem muito agradáveis. Para fazer um gráfico simples, basta digitar:

gplot(net)

Para dimensionar os nós de acordo com a centralidade entre eles, basta:

bet <- betweenness(net)
gplot(net, vertex.cex = bet)

Por padrão, a função gplot usa o algoritmo Fruchterman-Reingold para colocar os nós; no entanto, isso pode ser controlado a partir da opção mode, por exemplo, para usar o MDS para a colocação do tipo de nós:

gplot(net, vertex.cex, mode = "mds")

ou para usar um layout de círculo:

gplot(net, vertex.cex, mode = "circle")

Existem muito mais possibilidades, e este guia cobre a maioria das opções básicas. Para um exemplo independente:

net <- rgraph(20) #generate a random network with 20 nodes
bet <- betweenness(net) #calculate betweenness scores
gplot(net) #a simple plot
gplot(net, vertex.cex = bet/3) #nodes scaled according to their betweenness centrality, the measure is divided by 3 so the nodes don't become to big.
gplot(net, vertex.cex = bet/3, mode = "circle") #with a circle layout
gplot(net, vertex.cex = bet/3, mode = "circle", label = 1:20) #with node labels

Uma pergunta semelhante foi feita na história, também se você estiver especificamente interessado em gráficos planares ou visualização bibliográfica .

Gephi já foi mencionado aqui, mas também foi recomendado por alguns na história, por isso acho que é uma boa escolha.

Outras opções interessantes incluem:

• O Flare fornece algumas ferramentas de visualização muito interessantes e cria gráficos muito bonitos para relatórios e documentos.
• O Cyptoscape possui algumas ferramentas poderosas de análise e visualização. É particularmente bom para química e biologia molecular.
• Este site fornece links para muitas outras ferramentas e bibliotecas agradáveis ​​de visualização (embora não para o R).

Achei o NodeXL muito útil e fácil de usar. É um modelo do MS Excel que fornece fácil importação / exportação de um gráfico, formatação de arestas / vértices, calcula algumas métricas, possui alguns algoritmos de agrupamento. Você pode usar facilmente imagens personalizadas como vértices.
Outra ferramenta útil para mim foi o layout do Microsoft Automatic Graph, que fornece um bom layout, que pode ser experimentado on-line (com um navegador que suporta SVG).