网络图：可视化2D布局

本示例展示了如何使用networkplot可视化2D布局。

import graspologic

import numpy as np
import pandas as pd
%matplotlib inline

/home/runner/.cache/pypoetry/virtualenvs/graspologic-pkHfzCJ8-py3.10/lib/python3.10/site-packages/tqdm/auto.py:21: TqdmWarning: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.html
  from .autonotebook import tqdm as notebook_tqdm

使用networkplot可视化2D布局

使用随机块模型模拟邻接矩阵

2块模型定义如下：

\begin{align*} P = \begin{bmatrix}0.25 & 0.05 \\ 0.05 & 0.25 \end{bmatrix} \end{align*}

关于随机块模型的更多信息可以在这里找到。

from graspologic.simulations import sbm

n_communities = [50, 50]
p = [[0.25, 0.05], [0.05, 0.25]]

np.random.seed(1)
A, node_ids = sbm(n_communities, p, return_labels=True)
print(A.shape)

(100, 100)

使用ASE生成2D嵌入

邻接谱嵌入（ASE）降低了输入邻接矩阵的维度并估计其潜在位置，生成一个低维空间中的嵌入。在这个例子中，ASE将SBM生成的邻接矩阵嵌入到二维空间并计算其坐标。

有关ASE的更多信息可以在这里找到。

from graspologic.embed import AdjacencySpectralEmbed

ase = AdjacencySpectralEmbed(n_components=2)
X = ase.fit_transform(A)

print(X.shape)

(100, 2)

可视化2D布局

请注意，节点颜色是由随机分配的社区决定的，节点大小由连接到每个节点的边数决定。下面图表中的边颜色基于它们的源节点。

from graspologic.plot.plot import networkplot

x_pos = X[:,0]
y_pos = X[:,1]
degrees = np.sum(A, axis=0)

plot = networkplot(adjacency=A, x=x_pos, y=y_pos, node_hue=node_ids, palette='deep', node_size=degrees,
                   node_sizes=(20, 200), edge_hue='source', edge_alpha=0.5, edge_linewidth=0.5)

或者，我们也可以使用pandas dataframe，并使用x、y、node_hue和node_size作为键。请注意，对于下面的图表，边的颜色是通过将edge_hue设置为‘target’来根据其目标节点确定的。

index = range(X.shape[0])
node_df = pd.DataFrame(index=index)
node_df.loc[:, 'x'] = X[:,0]
node_df.loc[:, 'y'] = X[:,1]
node_df.loc[:, 'id'] = node_ids
node_df.loc[:, 'degree'] = np.sum(A, axis=0)

plot = networkplot(adjacency=A, node_data=node_df, x='x', y='y', node_hue='id', palette='deep',
                   node_size='degree', node_sizes=(20, 200), edge_hue='target', edge_alpha=0.5, edge_linewidth=0.5)