用python画关系网络图-如何做出漂亮的复杂网络关系图？
……更新于2016.3.20号，附上所有代码……
最近刚用R的igraph包和networkD3完成了一个项目的可视化内容（前者是静态的后者是动态的），感觉还是比较好看的哈哈（温馨提示，调亮手机） 。
：）
/>
/>
/>
/>
———————————————分割线——————————————
那现在我们来理一下思路，要做出这个效果其实真的一点都不难，现在再翻看刚开始学习时候写的代码……真的是……Naive哈哈。没有一个循环一个function就能直接出图的，不信你看——
```{r}
setwd('d:/Rproject')
set.seed(200)
App.use<-read.table("app_data.txt",header
= FALSE,sep= ",",
colClasses
=c("character","character"))
g1<-na.omit(App.use)
```
#
# 说明
设定工作目录；
设定种子节点，同一种布局画出来的图就是可以重复，不然即使同一种布局，展现的时候 由于位置的随机也会呈现出不一样的结果；
去除NA值,清除了若干条包含有缺失值的信息。
#
```{r}
library(igraph)
g2 =
graph.data.frame(d =g1, directed = F);
V(g2)
E(g2)
x<-par(bg="white")
graph.density(g2)
V(g2)$bte =
betweenness(g2, directed = F)
par(mar = c(0, 2,
0, 0))
plot(V(g2)$bte)
```
#
# 说明
载入igraph包，这个包是R中对复杂网络的一个解决包；
对数据进行格式转化,我选择的数据是没有方向度量的数据；
这两者都使社会网络分析的函数代码，分别代表定点和边；
将背景设置为白色；
可以查询群体的中心密度，并画出相应的图。
#
```{r}
x<-par(bg="black")
V(g2)$size = 5
V(g2)[bte>=1000]$size
=10
V(g2)[bte<=100]$size
=2
plot(g2,layout=layout.fruchterman.reingold,
vertex.label=NA,edge.arrow.size=1)
V(g2)[bte>=1000]
# 说明
背景图设置为黑色；
根据节点中心度的图，现做以下处理；
①将中心度高于1000的节点的大小设置为10；
②将中心度低于100的节点的大小设置为2；
③将中心度在100到1000的节点的大小设置为5；
从图中也可以直观地看出，中间度最高的几个节点，确实位于中介的地位具体看这六个点，分别是微信、百度地图、淘宝、优酷、QQ和360。
```{r}
plot(g2,layout=layout.fruchterman.reingold,
vertex.size=V(g2)$size,vertex.label=V(g2)$V1)
plot(g2,layout=layout.fruchterman.reingold,vertex.size=V(g2)$size,
vertex.color=rgb(0.2,1,0.8,0.6),vertex.label=NA,edge.arrow.size=1)
```
# 说明
标签数量太多，图形看的很乱，因此开始用layout的函数进行调试；
vertex.size即点的大小；vertex.color是点的颜色；
vertex.label即标签名，因为太多所以舍弃；
edge.arrow.size没试出来，不知道是不是因为数据的原因；
此外还有vertex.label.cex、edge.color、edge.arrow.mode、edge.arrow.size等参数；
由于这个网络并不存在方向，所以size没法使用；
另外调节线的宽度可以用下面这种方法单独将“E(g2)$width=”列出来。
#
```{r}
com =
walktrap.community(g2,steps=5,merges = TRUE,
modularity = TRUE,
membership = TRUE)
V(g2)$sg=com$membership
V(g2)$color=rainbow(max(V(g2)$sg),alpha=0.6)[V(g2)$sg]
E(g2)$color=rgb(0.3,0.6,1,0.2)
```
#
# 资料
Igraph包中社区分类函数有以下几种：
fastgreedy.community
spinglass.community
edge.betweenness.community
leading.eigenvector.community
walktrap.community
label.propagation.community
clique.community
multilevel.community
# 说明
不同的分类算法，速度和适用社区网络大小都有所侧重；
对于同一网络，采用什么样的分类算法需要实践后去人工判断是否符合预期；
step类似于一种阈值，值越大划分的约粗糙，由于本身数据的量不大，所以step取值较小；
第一行是特殊用法，sp即为subgroup；
其中rainbow即点的颜色，除了这种表达方式之外还能用rainbow(10, 0.8, 0.8, alpha=0.6)；
[V(g2)$sg]实验之后感觉是对颜色的排序进行定义，将相同的类别以相同的颜色表现。
#
```{r}
plot(g2,layout=layout.fruchterman.reingold,
vertex.size=V(g2)$size,
vertex.color=V(g2)$color,
edge.width=2,edge.arrow.size=0,
vertex.frame.color=NA,margin= rep(0, 1),
vertex.label=NA)
```
# 说明
设置点的大小为之前的值，点的颜色为之前设置为彩虹色，具体的参数还不熟悉，无箭头标度；
设置边得颜色为RGB，宽度为2，透明度为20%，具体数值可调整，边界方位在0和1之间。
# 环形单色虹
```{r}
sg1 <-
cluster_spinglass(g2, spins=6, gamma=2.0)
layout=layout.circle
E(g2)$color=rgb(0.3,0.6,1,0.4)
plot(g2,
layout=layout, vertex.size=V(g2)$size, vertex.label=NA,edge.width=1,
vertex.color= rgb(0.3,0.6,1,0.4))
```
# 环形彩虹
```{r}
E(g2)$color=V(g2)[name=ends(g2,E(g2))[,2]]$color
plot(g2,
layout=layout, vertex.size=V(g2)$size, vertex.label=NA,edge.width=1,
vertex.color= rainbow(10, 0.8, 0.8,
alpha=0.8)[sg1$membership])
```
# 单色球体结构的社会网络分布
```{r}
sg1 <-
cluster_spinglass(g2, spins=6, gamma=2.0)
layout=layout.sphere
E(g2)$color=rgb(0.3,0.6,1,0.4)
plot(g2,
layout=layout, vertex.size=V(g2)$size, vertex.label=NA,edge.width=1,
vertex.color= rgb(0.3,0.6,1,0.4))
```
# 多色球体单色线条结构的社会网络分布
```{r}
sg1 <-
cluster_spinglass(g2, spins=6, gamma=2.0)
layout=layout.sphere
E(g2)$color=rgb(0.3,0.6,1,0.4)
plot(g2,
layout=layout, vertex.size=V(g2)$size, vertex.label=NA,edge.width=1,
vertex.color=rainbow(10, 0.8, 0.8,
alpha=0.6)[sg1$membership])
```
#多色球体多色线条结构的社会网络分布
```{r}
sg1 <-
cluster_spinglass(g2, spins=6, gamma=2.0)
layout=layout.sphere
E(g2)$color=V(g2)[name=ends(g2,E(g2))[,2]]$color
plot(g2, layout=layout,
vertex.size=V(g2)$size, vertex.label=NA,edge.width=1,
vertex.color=rainbow(10, 0.8, 0.8,
alpha=0.6)[sg1$membership])
```
#
如果看到这了，觉得有用有帮助的，请点个赞加个关注呗：）
毕竟我只是一个关注不过3位数还在不断默默耕耘的“知乎良民”
：）