R语言对git安卓包分类统计、聚类、复杂网络可视化分析

全文链接：http://tecdat.cn/?p=31035

原文出处：拓端数据部落公众号

我们曾经为一位客户进行了短暂的咨询工作，他正在构建一个主要基于安卓包分类的分析应用程序。

数据源是安卓的项目，把同一类功能的安卓代码的头部，每一个文件都有import 包名。把所有import的包名都抓了下来存到了mysql, 这是数据源 , 需要用r分析这些包名。

用r给这些包做统计，同名的包有多少，占百分之多少，做可视化图，打标签。

这个项目的目的是，比如一类功能是发email的app，每一个项目里java文件头部都有引用的包名，通过把所有的包名一分析，发现80%的项目里面都有同一个包，那么就认为这个包的功能就是email , 然后再通过标签关联java文件。

导入数据

channel <- odbcConnect("test", uid="root", pwd="123");

 sqlTables(channel);#查看数据中的表

 data<-sqlFetch(channel,"test")# 查看表的内容，存到数据框里

画直方图显示词频重合率

#做出百分比统计直方图

barplot(table(data$package)/sum(table(data$package)))


# 一共多少包

unique(data$package)

删去没有重复的包


norepeat=which(table(data$package)==1)

data=data[-as.numeric(norepeat),]



for(i in names(table(data$package))[index][-1]){
  #找出project名
  data$project[data$package ==i]

变换数据

cordata2=matrix(0,length(unique(data$project)),length(unique(data$package)))
colnames(cordata2)=unique(data$package)
rownames(cordata2)=unique(data$project)

计算出重复率

画网络图

这个是git上的项目，每一个点是一个项目，不同颜色表示不同语言，每个点之间有线连着，表示每个项目的联系，可能是关注人一样，也可能是作者一样。当把包名打上标签后，有可能不同包名是一个标签，那么就可以画出这种联系图。

   }
  }
  close(f)
  cat(paste(c("Successfully output to ", getwd(), "/", filename, "/n"), collapse=""))
}

topajek(events, filename="mypajek.net")

对图进行删减，删去连接少的边

newe = censor.edgeweight(e, floor=0.5); newe

V(e)$color = rainbow(max(V(e)$sg),alpha=0.8)[V(e)$sg]
plot(newe,layout=layout.fruchterman.reingold, vertex.size=5,
     vertex.color=V(e)$color, edge.width=1,edge.arrow.size=0.08,