igraph 네트워크 객체로 표현하면 노드속성과 엣지속성을 표현하는데 장점이 많다.

네트워크 구성을 위한 Data 설명

• 네트워크 구성을 위한 데이터는 start와 end로 이루어진 두개의 컬럼을 가진 데이터 프레임으로 정의 하는 경우
  • graph_from_data_frame를 활용해서 네트워크 데이터로 변환
• 하나의 컬럼을 가진 벡터 데이터의 경우는 c(첫번째,두번째,두번째,세번째,세번째,네번째) 구성되어야 하며, 내부 꼭지점의 ID로 해석된다
  • 이 경우는 graph( edges=c(첫번째,두번째,두번째,세번째,세번째,네번째), n=3, directed=TRUE) 를 활용해서 네트워크 데이터로 변환
• 네트워크에 사용된 노드들에서 유니크 한 값을 추출 하는 경우는 V()라는 함수로 찾아 볼수 있다. Ex: V(g1)

네트워크의 속성

네트워크를 구성한 다음은 네트워크가 어떤 특성을 가졌는지 분석해야 하고 이 경우 해당 노드가 가지는 중요도을 수치화 해야 한다.

1) Shortest.paths(g) , shortest_paths(g,from=’사과’,to=’배’) : 최적경로를 산출해준다. 2) degree (g), degree (g, mode=’in’), degree (g, mode=’out’)

• 해당노드가 몇개의 경로가 들어오는지 를 보여주는 수치이다.
• mode 옵션으로 확인할 수 있다 3) eccentricity, diameter, radius
• 3가지는 전부 노드간 거리와 관련된 지표이다.
• eccentricity는 해당 노드가 자신 이외의 노드와의 거리 중 가장 큰값, 별도 옵션이 없으면 undirected가 기준이 되며, mode 옵션으로 들어오는 거리, 나가는 거리를 확인 할 수 있다. 4) Centrality
• 노드별로 중요한 정도를 표시하는 척도로서 degree, betweeness, closeness가 있다.
• betweeness : 노드가 엣지와 엣지 사이에 얼마나 많이 등장하는지를 나타내고 값이 클수록 두 노드 사이에 연관될 가능성이 높다.
• closeness : 해당 노드에서 다른 노드들로 가기까지의 거리가 얼마나 되는를 나타내는 척도

Plot에 적용되는 파리미터

사용예: Plot(g, layout=layout.fruchterman.reingold, vertex.size=8, edge.arrow.size=0.5,… )

1) layout 옵션

파라미터	의미	파라미터	의미	파라미터	의미
layout.random	무작위	layout.cicle	원위에 배치	layout.fruchterman.reingold	Fruchterman Reingold 배치 알고리즘
layout.kamada.kawai	kamada Kawai 배치 알고리즘	layout.lgl	대규모 네트워크

2) 엣지관련

파라미터	의미	파라미터	의미	파라미터	의미
E(g).color	선색상	E(g).width	폭	E(g).arrow.size	화살크기
E(g).arrow.width	화살폭	E(g).arrow.mode	화살 머리 유형	E(g).lty	선 유형.solid, dashed, dotted
E(g).label.font	라벨폰트,serif, sans, mono	E(g).label.color	라벨색상

3) 노드관련

파라미터	의미	파라미터	의미	파라미터	의미
vertex.size	점크기	vertex.frame.color	점 윤곽의 색	vertex.label	점 레이블
vertex.label.font	폰트	vertex.label.dis	점 중심과의 거리	vertex.label.color	점 레이블 색상
vertex.color	점의 색 지정	vertex.shape	점의 형태	vertex.label.family	점 레이블 종류
vertex.label.cex	점 레이블 크기	vertex.label.gegree	점 레이블 방향

네트워크 Visulalization Example

#---------------------------------------------
# 기본생성, 필요라이브러리 : library(igraph)
#---------------------------------------------
> g1 <- graph( edges=c(1,2, 2,3, 3,1), n=3, directed=FALSE)
# plot(g1, vertex.size=5,vertex.label=V(g1)$name, vertex.label.cex=1.2, vertex.label.dist=2, vertex.label.color="black") - 라벨 노드 밖, 글자 사이즈 조절 하는 경우
# plot(g1, vertex.label=NA) - 라벨을 없앨 경우
> plot(g1)  

# 예제1 - node 사이즈 ,엣지 등 다양한 스타일 조절
> g1 <- graph( edges=c(1,2, 2,2, 3,1), n=3, directed=FALSE)
> E(g1)$color = 'black'; E(g1)[1]$color = 'red'
> E(g1)$width = 1; E(g1)[1]$width = 4
> plot(g1, vertex.size=40)

# 예제2 - 명칭으로 연결, directed = TRUE 화살표
> g1 <- graph( edges=c('사과','배','배','감', '감','감'), n=3, directed=TRUE)
> plot(g1, vertex.size=40)
> V(g1) # 유니크 값을 확인 해보려면

# 예제2 과 동일한 결과 이다.

df = data.frame(start=c('사과','배','감'), end=c('배','감', '감') )
g2 = graph_from_data_frame(df)
plot(g2, vertex.size=40)
> V(g2)

# 예제3 - 네트워크 속성확인
> g1 <- graph( edges=c('a','b','a','a','a','c', 'b','c','c','d','d','e','e','f','f','b','f','a','f','e' ),  directed=TRUE)
> plot(g1, vertex.size=40)  # plot(g1, vertex.size=40 , layout=layout.circle) 원 형태로 그리고자 할때

# Unique Node 확인
> V(g1)
# vertices(정점) 개수 확인
> vcount(g1)

# 최단경로 확인
> shortest.paths(g1)
> shortest_paths(g1, from='a', to='e')
# 노드로 들어 오는 경로가 몇개인지 확인
> degree(g1)  # degree(g1,mode='in') or degree(g1,mode='out')

# 자기자신 향햐는 엣지을 제외한 엣지의 수
> eccentricity(g1) # eccentricity(g1,mode='in') or eccentricity(g1,mode='out')

# degree: 노드의 엣지에서 전체노드수 -1 만큼 나눠서 계산
# betweeness : 노드가 엣지와 엣지 사이에 얼마나 많이 등장하는지
# closeness : 해당 노드가 다른 노드로 가기까지의 거리 , 각 노드의 근접 중심성( 또는 정규화된 근접 중심성)

data.frame( degree = degree(g1) / (length(names(V(g1))) -1), between=betweenness(g1), close=closeness(g1,normalized=F))

# V(g1) 결과
+ 6/6 vertices, named, from 50ebeac:
[1] a b c d e f

# vcount(g1) 결과
[1] 6

# 최단경로 결과
  a b c d e f
a 0 1 1 2 2 1
b 1 0 1 2 2 1
c 1 1 0 1 2 2
d 2 2 1 0 1 2
e 2 2 2 1 0 1
f 1 1 2 2 1 0

# a - > e 경로 확인 (방향성이 고려됨)
$vpath
$vpath[[1]]
+ 4/6 vertices, named, from dc4dad0:
[1] a c d e

# degree 의 결과
a b c d e f 
5 3 3 2 3 4 

# eccentricity 의 결과
a b c d e f 
2 2 2 2 2 2 

# degree, between, close 결과
  degree between      close
a    1.0     2.5 0.09090909
b    0.6     2.5 0.06666667
c    0.6     9.0 0.07142857
d    0.4     9.0 0.07692308
e    0.6    10.0 0.08333333
f    0.8    10.0 0.12500000