Как определить точное количество сообществ в объекте igraph?
Я работаю над группой людей, наблюдая за их поведением в течение года. Группа подразделяется на подгруппы. Составы подгрупп со временем меняются, поэтому я создал цикл для ежемесячного расчета социальной сети. Я использую функцию кластера_edge_betweenness для получения подгрупп. Я понимаю, что $membership по умолчанию дает сообществам оптимальную модульность, но я бы хотел ограничить количество сообществ до двух. Как я могу это сделать?
Я уже пробовал многое: от изучения функции кластера_edge_betweenness или пакета Igraph до изучения других пакетов. Мне уже удалось ограничить количество групп в дендрограммах двумя (ничего сложного), но я не могу найти способ извлечь имена именно двух групп.
Вот часть выдуманных данных, которые я использую:
ndata = structure(list(SUBJECT01 = c("Tuhari", "Iena", "Thabo", "Umar",
"Thabo", "Thabo", "Hillary", "Bulle", "Thabo", "Thabo", "Thabo",
"Souris", "Souris", "Vincente", "Vincente", "Vincente", "Vincente",
"Vangha", "Umar", "Umar", "Virgule", "Virgule", "Umar", "Souris",
"Valrhona", "Uber", "Uber", "Tahira", "Tahira", "Inca", "Priska",
"Sam", "Inca", "Sam", "Sam", "Iena", "Iena", "Iena", "Georgika",
"Souris", "Vangha", "Uranus", "Uranus", "Uranus", "Uranus", "Uranus",
"Uranus", "Uranus", "Vangha", "Souris", "Uhuru", "Uber", "Sam",
"Pamela", "Tisha", "Inca", "Priska", "Priska", "Priska", "Georgika",
"Inca", "Inca", "Inca", "Inca", "Inca", "Inca", "Orphee", "Orphee",
"Umi", "Gindia", "Sam", "Sam", "Umti", "Sam", "Gindia", "Sam",
"Orphee", "Uhuru", "Sam", "Sam", "Sam", "Sam", "Orphee", "Orphee",
"Orphee", "Tuhari", "Orphee", "Isidore", "Isidore", "Vangha",
"Iena", "Berthe", "Veuliah", "Vindoehk", "Umti", "Vindoehk",
"Souris", "Veuliah", "Uranus", "Georgika", "Umi", "Berthe", "Hillary",
"Berthe", "Orphee", "Tuhari", "Orphee", "Umar", "Voodoo", "Voodoo",
"Bulle", "Berthe", "Souris", "Vincente", "Souris", "Pamela",
"Veuliah", "Umti", "Umi", "Berthe", "Berthe", "Vangha", "Himalaya",
"Umti", "Umi", "Berthe", "Berthe", "Uber", "Pamela", "Berthe",
"Berthe", "Uber", "Tahira", "Tuhari", "Virgule", "Orphee", "Himalaya",
"Himalaya", "Himalaya", "Tahira", "Orphee", "Inca", "Valrhona",
"Vincente", "Berthe", "Urenna", "Iena", "Umar", "Himalaya", "Virgule",
"Orphee", "Himalaya", "Himalaya", "Gindia", "Iena", "Orphee",
"Himalaya", "Tahira", "Priska", "Berthe", "Priska", "Uranus",
"Uranus", "Urenna", "Sam", "Himalaya", "Himalaya", "Sam", "Umi",
"Pamela", "Berthe", "Pamela", "Vindoehk", "Berthe", "Veuliah",
"Uber", "Gindia", "Uranus", "Umti", "Umi", "Berthe", "Berthe",
"Souris", "Vindoehk", "Gindia", "Berthe", "Berthe", "Berthe",
"Berthe", "Veuliah", "Urenna", "Isidore", "Berthe", "Berthe",
"Berthe", "Veuliah", "Veuliah", "Hillary", "Berthe", "Iena",
"Souris", "Veuliah", "Souris", "Berthe", "Inca", "Georgika",
"Georgika", "Thabo", "Georgika", "Georgika", "Georgika", "Georgika",
"Orphee", "Himalaya", "Tuhari", "Umar", "Himalaya", "Urenna",
"Orphee", "Himalaya", "Himalaya", "Isidore", "Berthe", "Berthe",
"Vindoehk", "Berthe", "Berthe", "Vindoehk", "Vindoehk", "Vindoehk",
"Umi", "Hillary", "Berthe", "Berthe", "Hillary", "Umi", "Priska",
"Berthe", "Berthe", "Uranus", "Uranus", "Voodoo", "Orphee", "Voodoo",
"Voodoo", "Voodoo", "Berthe", "Veuliah", "Berthe", "Vincente",
"Berthe", "Berthe", "Berthe", "Berthe", "Vangha", "Vangha", "Sam",
"Sam", "Sam", "Tuhari", "Himalaya", "Virgule", "Virgule", "Tuhari",
"Virgule", "Umti", "Berthe", "Uranus", "Berthe", "Berthe", "Tahira",
"Orphee", "Tahira", "Tahira", "Himalaya", "Orphee", "Tahira",
"Umar", "Tahira", "Orphee", "Urenna", "Umi", "Gindia", "Inca",
"Berthe", "Inca", "Sam", "Sam", "Himalaya", "Orphee", "Sam",
"Berthe", "Berthe", "Uhuru", "Orphee", "Himalaya", "Berthe",
"Orphee", "Orphee", "Georgika", "Berthe", "Berthe", "Berthe",
"Berthe", "Sam", "Berthe", "Himalaya", "Orphee", "Orphee", "Sam",
"Souris", "Hillary", "Uranus", "Berthe", "Berthe", "Virgule",
"Hillary", "Isidore", "Pamela", "Umi", "Berthe", "Berthe", "Gindia",
"Berthe", "Virgule", "Hillary", "Priska", "Inca", "Berthe", "Berthe",
"Berthe", "Berthe", "Berthe", "Berthe", "Iena", "Berthe", "Berthe",
"Isidore", "Berthe", "Berthe", "Inca", "Berthe", "Georgika",
"Valrhona", "Berthe", "Berthe", "Vangha", "Urenna", "Uhuru",
"Himalaya", "Orphee", "Sam", "Himalaya", "Himalaya", "Himalaya",
"Orphee", "Valrhona", "Gindia", "Valrhona", "Souris", "Inca",
"Vindoehk", "Vindoehk", "Vangha", "Hillary", "Umi", "Gindia",
"Gindia", "Uranus", "Tahira", "Voodoo", "Tahira", "Tahira", "Tahira",
"Voodoo", "Orphee", "Orphee", "Veuliah", "Souris", "Vincente",
"Souris", "Souris", "Souris", "Souris", "Vincente", "Vincente",
"Vincente", "Umar", "Tuhari", "Virgule", "Umti", "Tahira", "Tahira",
"Tahira", "Tahira", "Tahira", "Uhuru", "Thabo", "Vincente", "Thabo",
"Vincente", "Tuhari", "Tuhari", "Sam", "Sam", "Veuliah", "Veuliah",
"Orphee", "Berthe", "Tahira", "Tahira", "Virgule", "Tahira",
"Tahira", "Tahira", "Tahira", "Umar", "Tahira", "Tahira", "Priska",
"Berthe", "Priska", "Uber", "Isidore", "Bulle", "Umar", "Umar",
"Sam", "Tahira", "Tahira", "Tahira", "Orphee", "Berthe", "Berthe",
"Uber", "Hillary", "Berthe", "Uranus", "Berthe", "Uranus", "Berthe",
"Thabo", "Priska", "Thabo", "Vindoehk", "Iena", "Vindoehk", "Inca",
"Souris", "Uranus", "Orphee", "Orphee", "Orphee", "Virgule",
"Priska", "Souris", "Bulle", "Bulle", "Valrhona", "Valrhona",
"Iena", "Uhuru", "Iena", "Berthe", "Vangha", "Vindoehk", "Veuliah",
"Hillary", "Hillary", "Uranus", "Gindia", "Gindia", "Voodoo",
"Thabo", "Bulle", "Thabo", "Valrhona", "Isidore", "Souris", "Souris",
"Souris", "Vincente", "Veuliah", "Vangha", "Vangha", "Veuliah",
"Priska", "Umti", "Umti", "Isidore", "Isidore", "Isidore", "Uber",
"Uber", "Uber", "Uber", "Uber", "Tahira", "Uhuru", "Tahira",
"Uhuru", "Orphee", "Himalaya", "Sam", "Iena", "Iena", "Uhuru",
"Uhuru", "Bulle", "Uhuru", "Georgika", "Priska", "Veuliah", "Priska",
"Urenna", "Urenna", "Sam", "Sam", "Uber", "Uhuru", "Pamela",
"Gindia", "Uber", "Hillary", "Uhuru", "Berthe", "Berthe", "Isidore",
"Georgika", "Valrhona", "Inca", "Georgika", "Tuhari", "Souris",
"Uber", "Isidore", "Souris", "Iena", "Iena", "Souris", "Hillary",
"Umi", "Gindia", "Uranus", "Orphee", "Thabo", "Thabo", "Thabo",
"Souris", "Vincente", "Souris", "Gindia", "Berthe", "Virgule",
"Virgule", "Umti", "Umti", "Uranus", "Uhuru", "Uber", "Uhuru",
"Tahira", "Vincente", "Inca", "Sam", "Tuhari", "Tuhari", "Tuhari",
"Uber", "Sam", "Tuhari", "Gindia", "Urenna", "Souris", "Pamela",
"Uhuru", "Georgika", "Uber", "Uhuru", "Georgika", "Souris", "Orphee",
"Sam", "Orphee", "Priska", "Vindoehk", "Umi", "Gindia", "Tuhari",
"Tahira", "Orphee", "Tuhari", "Thabo", "Thabo", "Thabo", "Thabo",
"Vindoehk", "Souris", "Souris", "Vincente", "Virgule"), SUBJECT02 = c("Virgule",
"Bulle", "Georgika", "Georgika", "Georgika", "Georgika", "Gindia",
"Gindia", "Iena", "Iena", "Iena", "Inca", "Inca", "Inca", "Inca",
"Inca", "Inca", "Isidore", "Orphee", "Orphee", "Orphee", "Orphee",
"Orphee", "Priska", "Priska", "Priska", "Priska", "Sam", "Sam",
"Souris", "Souris", "Tahira", "Tahira", "Tahira", "Tahira", "Thabo",
"Thabo", "Thabo", "Thabo", "Tisha", "Tisha", "Tisha", "Tisha",
"Tisha", "Tisha", "Tisha", "Tisha", "Tisha", "Tisha", "Tuhari",
"Uber", "Uhuru", "Umar", "Umti", "Uranus", "Urenna", "Valrhona",
"Valrhona", "Valrhona", "Veuliah", "Vincente", "Vincente", "Vincente",
"Vincente", "Vincente", "Vincente", "Virgule", "Virgule", "Gindia",
"Hillary", "Himalaya", "Himalaya", "Pamela", "Pamela", "Priska",
"Tahira", "Tahira", "Tahira", "Tahira", "Tahira", "Tahira", "Tahira",
"Tuhari", "Tuhari", "Umar", "Umar", "Umar", "Umti", "Uranus",
"Berthe", "Berthe", "Bulle", "Georgika", "Georgika", "Georgika",
"Georgika", "Georgika", "Georgika", "Gindia", "Gindia", "Gindia",
"Gindia", "Gindia", "Hillary", "Himalaya", "Himalaya", "Himalaya",
"Himalaya", "Himalaya", "Himalaya", "Iena", "Iena", "Inca", "Inca",
"Inca", "Isidore", "Isidore", "Isidore", "Isidore", "Isidore",
"Isidore", "Isidore", "Orphee", "Pamela", "Pamela", "Pamela",
"Pamela", "Priska", "Priska", "Priska", "Priska", "Priska", "Sam",
"Sam", "Sam", "Sam", "Sam", "Sam", "Sam", "Sam", "Sam", "Souris",
"Souris", "Souris", "Souris", "Souris", "Souris", "Tahira", "Tahira",
"Tahira", "Tahira", "Tahira", "Tahira", "Thabo", "Thabo", "Tuhari",
"Tuhari", "Tuhari", "Uber", "Uber", "Uber", "Uber", "Uber", "Uhuru",
"Uhuru", "Umar", "Umar", "Umar", "Umti", "Umti", "Umti", "Umti",
"Uranus", "Uranus", "Uranus", "Uranus", "Uranus", "Urenna", "Urenna",
"Urenna", "Urenna", "Urenna", "Urenna", "Valrhona", "Valrhona",
"Valrhona", "Valrhona", "Valrhona", "Valrhona", "Vangha", "Vangha",
"Vangha", "Vangha", "Vangha", "Vangha", "Vangha", "Vangha", "Veuliah",
"Veuliah", "Veuliah", "Veuliah", "Vincente", "Vincente", "Vincente",
"Vincente", "Vindoehk", "Vindoehk", "Vindoehk", "Vindoehk", "Vindoehk",
"Vindoehk", "Vindoehk", "Virgule", "Virgule", "Virgule", "Voodoo",
"Voodoo", "Voodoo", "Voodoo", "Voodoo", "Voodoo", "Berthe", "Bulle",
"Bulle", "Georgika", "Georgika", "Georgika", "Georgika", "Georgika",
"Georgika", "Gindia", "Gindia", "Gindia", "Gindia", "Gindia",
"Gindia", "Hillary", "Hillary", "Hillary", "Hillary", "Hillary",
"Himalaya", "Himalaya", "Himalaya", "Himalaya", "Himalaya", "Iena",
"Iena", "Inca", "Inca", "Isidore", "Isidore", "Isidore", "Isidore",
"Isidore", "Isidore", "Orphee", "Orphee", "Orphee", "Orphee",
"Orphee", "Orphee", "Orphee", "Orphee", "Orphee", "Pamela", "Pamela",
"Priska", "Priska", "Priska", "Sam", "Sam", "Sam", "Sam", "Sam",
"Sam", "Sam", "Sam", "Sam", "Sam", "Souris", "Souris", "Souris",
"Souris", "Souris", "Souris", "Tahira", "Tahira", "Tahira", "Tahira",
"Tahira", "Thabo", "Thabo", "Tuhari", "Tuhari", "Tuhari", "Tuhari",
"Tuhari", "Tuhari", "Uber", "Uber", "Uber", "Uhuru", "Uhuru",
"Umar", "Umar", "Umar", "Umar", "Umar", "Umar", "Umi", "Umi",
"Umi", "Umi", "Umi", "Umi", "Umi", "Umi", "Umti", "Umti", "Umti",
"Umti", "Uranus", "Uranus", "Uranus", "Uranus", "Urenna", "Urenna",
"Urenna", "Urenna", "Valrhona", "Valrhona", "Valrhona", "Valrhona",
"Vangha", "Vangha", "Vangha", "Vangha", "Veuliah", "Veuliah",
"Vincente", "Vincente", "Vindoehk", "Vindoehk", "Vindoehk", "Vindoehk",
"Vindoehk", "Virgule", "Virgule", "Virgule", "Virgule", "Virgule",
"Voodoo", "Voodoo", "Voodoo", "Voodoo", "Berthe", "Berthe", "Berthe",
"Bulle", "Georgika", "Georgika", "Georgika", "Gindia", "Gindia",
"Gindia", "Hillary", "Hillary", "Hillary", "Himalaya", "Himalaya",
"Himalaya", "Himalaya", "Himalaya", "Himalaya", "Iena", "Iena",
"Iena", "Inca", "Inca", "Inca", "Inca", "Inca", "Inca", "Inca",
"Inca", "Inca", "Orphee", "Orphee", "Orphee", "Pamela", "Sam",
"Sam", "Sam", "Sam", "Sam", "Sam", "Souris", "Souris", "Souris",
"Souris", "Tahira", "Tahira", "Tahira", "Tahira", "Thabo", "Thabo",
"Thabo", "Thabo", "Tuhari", "Tuhari", "Tuhari", "Tuhari", "Tuhari",
"Tuhari", "Tuhari", "Tuhari", "Tuhari", "Tuhari", "Uber", "Uber",
"Uber", "Uhuru", "Uhuru", "Uhuru", "Uhuru", "Uhuru", "Uhuru",
"Umar", "Umar", "Umar", "Umi", "Umi", "Uranus", "Uranus", "Uranus",
"Uranus", "Urenna", "Valrhona", "Valrhona", "Valrhona", "Vangha",
"Vangha", "Veuliah", "Veuliah", "Veuliah", "Vincente", "Vincente",
"Vincente", "Vindoehk", "Virgule", "Virgule", "Virgule", "Voodoo",
"Berthe", "Berthe", "Berthe", "Berthe", "Berthe", "Berthe", "Bulle",
"Bulle", "Bulle", "Bulle", "Georgika", "Georgika", "Georgika",
"Gindia", "Gindia", "Hillary", "Hillary", "Hillary", "Himalaya",
"Iena", "Iena", "Iena", "Iena", "Inca", "Inca", "Inca", "Inca",
"Inca", "Isidore", "Isidore", "Isidore", "Isidore", "Orphee",
"Pamela", "Pamela", "Priska", "Priska", "Priska", "Priska", "Priska",
"Priska", "Priska", "Priska", "Sam", "Sam", "Sam", "Sam", "Sam",
"Tahira", "Tahira", "Thabo", "Thabo", "Thabo", "Thabo", "Thabo",
"Thabo", "Thabo", "Uber", "Uber", "Uber", "Uhuru", "Uhuru", "Uhuru",
"Uhuru", "Umti", "Umti", "Umti", "Umti", "Uranus", "Uranus",
"Urenna", "Valrhona", "Valrhona", "Vangha", "Vangha", "Veuliah",
"Vincente", "Vindoehk", "Virgule", "Voodoo", "Berthe", "Berthe",
"Bulle", "Bulle", "Bulle", "Georgika", "Gindia", "Gindia", "Hillary",
"Hillary", "Himalaya", "Iena", "Iena", "Iena", "Inca", "Inca",
"Inca", "Isidore", "Isidore", "Orphee", "Orphee", "Pamela", "Pamela",
"Priska", "Priska", "Priska", "Sam", "Sam", "Souris", "Souris",
"Tahira", "Uber", "Uber", "Uber", "Umar", "Umar", "Umi", "Umi",
"Umi", "Umti", "Umti", "Urenna", "Urenna", "Urenna", "Urenna",
"Urenna", "Vindoehk", "Virgule", "Virgule", "Virgule", "Georgika",
"Georgika", "Gindia", "Hillary", "Himalaya", "Himalaya", "Himalaya",
"Himalaya", "Iena", "Iena", "Iena", "Iena", "Inca", "Inca", "Inca",
"Inca", "Orphee"), DATE = c("2022-07-21", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22", "2022-07-22",
"2022-07-23", "2022-07-23", "2022-07-23", "2022-07-23", "2022-07-23",
"2022-07-23", "2022-07-23", "2022-07-23", "2022-07-23", "2022-07-23",
"2022-07-23", "2022-07-23", "2022-07-23", "2022-07-23", "2022-07-23",
"2022-07-23", "2022-07-23", "2022-07-23", "2022-07-23", "2022-07-23",
"2022-07-23", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28", "2022-07-28",
"2022-07-28", "2022-07-28", "2022-07-28", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29", "2022-07-29",
"2022-07-29", "2022-07-29", "2022-07-29", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01", "2022-08-01",
"2022-08-01", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03", "2022-08-03",
"2022-08-03", "2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09",
"2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09",
"2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09",
"2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09",
"2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09",
"2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09",
"2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09",
"2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09",
"2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09",
"2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09", "2022-08-09",
"2022-08-09", "2022-08-10", "2022-08-10", "2022-08-10", "2022-08-10",
"2022-08-10", "2022-08-10", "2022-08-10", "2022-08-10", "2022-08-10",
"2022-08-10", "2022-08-10", "2022-08-10", "2022-08-10", "2022-08-10",
"2022-08-10", "2022-08-10", "2022-08-10")), row.names = 2400:3000, class = "data.frame")
Вот код, который я использую для своего цикла:
#get the month :
ndata$DATE = as.Date(ndata$DATE)
ndata$MONTH <- format(ndata$DATE, "%y%m")
ndata$MONTH = as.factor(ndata$MONTH)
#get the names of subjects
names = levels(as.factor(ndata$SUBJECT01))
#get the months
ww = levels(ndata$MONTH)
#create the newdataframe
socialnet <- data.frame(Nom=character(),
Strength=numeric(),
Degree=numeric(),
Eigenvector=numeric(),
Betweeness=numeric(),
Closeness=numeric(),
YM=character(),
stringsAsFactors=FALSE) #computing the datas in there
#The function to get the metrics of social network that I'm interested in :
metric_calc<-function(net_w){
t_str<-igraph::strength(net_w)
t_deg <- igraph::degree(net_w)
t_eig<-igraph::eigen_centrality(net_w)$vector
t_bet<-igraph::betweenness(net_w,weight=1/E(net_w)$weight)
t_clo<-igraph::closeness(net_w,weight=1/E(net_w)$weight)
output<-data.frame(t_str,t_deg,t_eig,t_bet,t_clo)
names(output)<-c("Strength","Degree","Eigenvector","Betweenness","Closeness")
return(output)
}
#LOOP to get a new social network for each month and increment the new dataframe with the monthly metrics of social network
for(k in ww){
wdata = subset(ndata, ndata$MONTH == k)#subset the month
net_month<-graph_from_data_frame(wdata[,1:2],directed=FALSE)
plot(net_month,vertex.color = "lightgray",main = c("social network month", k),edge.color = "gray",edge.width=E(net_month)$weight)
ceb <- cluster_edge_betweenness(net_month)
dendPlot(ceb, mode = "hclust", main= c("interm?diarit? des liens mois",k), rect=2)
fa_mets<-metric_calc(net_month)#table with all the datas
fa_mets['YM']= k
fa_mets <- tibble::rownames_to_column(fa_mets, "Nom")
fa_mets$group = ceb$membership
socialnet= rbind(socialnet, fa_mets)
}
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
1
0
50
1
Перейти к ответу
Данный вопрос помечен как решенный
Ответы 1
Ответ принят как подходящий
Я думаю, вы можете использовать cluster_spinglass, например, для создания нескольких сообществ.
ndata %>%
filter(MONTH == "2207") %>%
graph_from_data_frame() %>%
cluster_spinglass(spins = 2) %>%
membership()
который показывает
Tuhari Iena Thabo Umar Hillary Bulle Souris Vincente
1 2 2 1 2 2 2 2
Vangha Virgule Valrhona Uber Tahira Inca Priska Sam
2 1 2 2 1 1 2 1
Georgika Uranus Uhuru Pamela Tisha Orphee Umi Gindia
2 2 1 2 2 1 2 2
Umti Isidore Berthe Veuliah Vindoehk Voodoo Himalaya Urenna
2 2 2 2 2 1 1 1
и его сюжет выглядит так
g <- ndata %>%
filter(MONTH == "2207") %>%
graph_from_data_frame()
csg <- cluster_spinglass(g, spins = 2)
Если вы установите spins = 3, кластеризация получится
@JOLycloé никогда не поздно задавать вопросы
—
14.08.2024 23:42
Другие вопросы по теме
Как сгруппировать части маски в изображении с помощью Python?
Джулия — AssertionError в алгоритме K-medoids
Сложный цикл for в Python
Алгоритм поиска k оптимальных представителей для подмножеств множества с произвольной функцией стоимости
Фильтрация данных Python для удаления выбросов на графике плотности
Как использовать алгоритм агломеративной кластеризации из библиотеки Python scikit-learn с объявленным количеством объектов в кластере?
Создать пузырьковую диаграмму (или что-то подобное) на основе кластерного анализа в R
Определите связанные подсети, ограниченные атрибутами границ
Как в алгоритме агломеративной кластеризации scikit-learn получить все промежуточные кластеры?
Ошибка типа: len() неразмерного объекта в библиотеке pyclustering
Похожие вопросы
Достижение нижнего значения P-значений в R t.test
Есть ли более компактный способ написания цепочек вызовов мутаций по конвейеру?
Использование NextMethod с внутренними дженериками
Как я могу получить значение x через заданное значение y при использовании языка R для линейной регрессии?
R: фильтрация dplyr внутри функции с входным значением NULL
Как использовать replace_na() с аргументами функции defuse в R
Проблема с фильтром() при вводе файла .csv в Shiny R
Как вставить символьную переменную в функцию lapply?
Как создать подмножество из нескольких фреймов данных в списке, содержащем только строки с последовательными номерами в одном из столбцов?
Несоответствие между расчетом устойчивой ковариационной матрицы Python и R
спасибо большое, надо было спросить раньше, ах ах