Назначьте случайные цвета в R

Не совсем понятно, чего вы пытаетесь достичь, поэтому я не уверен, поможет ли это, но вот действительно грубое решение, которое случайным образом назначает цвет в кластерах графику в вашем примере.

library(igraph)
#> 
#> Attaching package: 'igraph'
#> The following objects are masked from 'package:stats':
#> 
#>     decompose, spectrum
#> The following object is masked from 'package:base':
#> 
#>     union

width <- 30
height <- 20
num_nodes <- width * height

x <- rep(1:width, each = height)
y <- rep(1:height, times = width)

g <- make_empty_graph(n = num_nodes, directed = FALSE)

get_node_index <- function(i, j) (i - 1) * height + j

# Add edges
edges <- c()
for(i in 1:width) {
  for(j in 1:height) {
    current_node <- get_node_index(i, j)
    if (i < width) edges <- c(edges, current_node, get_node_index(i + 1, j))
    if (j < height) edges <- c(edges, current_node, get_node_index(i, j + 1))
  }
}
g <- add_edges(g, edges)

V(g)$x <- x
V(g)$y <- y

colors <- NULL
i <- 1
while(i <= num_nodes){
  # Set a size for the cluster randomly
  cluster_size <- sample(seq(5, 50), 1)
  # Set the color for the cluster randomly
  cluster_color <- sample(c("red", "blue"), 1, replace = TRUE)
  # Assign the cluster color for each node in the cluster or as many that remain in the graph
  if ((i + cluster_size - 1) <= num_nodes){
    cluster_colors <- sample(cluster_color, cluster_size, replace = TRUE)
  } else {
    cluster_colors <- sample(cluster_color, num_nodes - i + 1, replace = TRUE)
  }
  colors <- append(colors, cluster_colors)
  i <- i + cluster_size
}
V(g)$color <- colors

count_patches <- function(color) {
  subgraph <- induced_subgraph(g, V(g)[V(g)$color == color])
  components <- components(subgraph)
  return(components$no)
}

plot(g, layout = cbind(V(g)$x, V(g)$y), 
     vertex.size = 7,  
     vertex.label = NA,
     edge.arrow.size = 0.5,
     edge.color = "lightgray"
)

^{Created on 2024-09-04 with reprex v2.1.1}

Это интересный вопрос, и я уверен, что есть несколько способов подойти к нему. Одним из способов было бы создать функцию, которая случайным образом создает n кластерных «семен» (nclust), расширяет их до заданного размера (clustsize), а затем случайным образом равномерно подвергает их цензуре, чтобы создать «неоднородность» (censoring):

set.seed(123)
clust_fun <- function(v_g, 
                      nclust = 10, 
                      clustsize = 20, 
                      censoring = 0.1){
  clust_seed <- sort(sample(length(v_g), nclust))
  xx <- unique(unlist(purrr::map2(clust_seed - (clustsize / 2), clust_seed + (clustsize / 2), seq)))
  xx[runif (length(xx)) <= (1 - censoring) & xx > 0 & xx < length(v_g)]
}

nn <- length(V(g))
V(g)$color <- rep("blue", nn)
V(g)$color[clust_fun(v_g = V(g))] <- "red"

plot(g, layout = cbind(V(g)$x, V(g)$y), 
     vertex.size = 7,  
     vertex.label = NA,
     edge.arrow.size = 0.5,
     edge.color = "lightgray"
)

Здесь я по умолчанию выбрал 10 семян с максимальным размером кластера 20 с небольшой «пятнистостью» (10%). Вы можете поиграть, чтобы сделать их более точными в соответствии с тем, что вы себе представляете.

Одним из простых вариантов является применение ядра сглаживания к матричному/растровому представлению числовых значений сетки, для этого мы можем использовать terra::focal().

В качестве первого шага мы построим SpatRaster для terra из таблицы вершин графика (x, y, color), затем мы сможем использовать focal(fun = "mean", ...), который по умолчанию использует скользящее окно 3x3 для расчета средних значений для каждой ячейки. Установив пороговые значения/сгруппировав средние значения, мы можем вернуться к категориальным показателям, таким как цвета.

Чтобы настроить полученные шаблоны, можно применить несколько раз focal() и отрегулировать пороговое значение. Мы также можем изменить вектор вероятности в sample(), чтобы изменить соотношение красного и синего входных данных.

library(igraph)
library(terra)

width <- 30
height <- 20
num_nodes <- width * height

x <- rep(1:width, each = height)
y <- rep(1:height, times = width)
g <- make_lattice(c(height,width))
V(g)$x <- x
V(g)$y <- y

set.seed(42)
V(g)$color <- sample(c("red", "blue"), num_nodes, replace = TRUE)

# helper function to apply mean filter (smoothing 3x3 kernel) to terra SpatRaster r, 
# repeat n times
mean_n <- \(r, n) Reduce(\(x, ...) focal(x, fun = "mean", na.rm = TRUE, expand = TRUE), x = seq_len(n), init = r)

V(g)$color <- 
  as_data_frame(g, "vertices") |> 
  # recode colors to numericals
  within(color <- c("red" = 0, "blue" = 1)[color]) |> 
  # vertex frame (x, y, numerical color) to SpatRaster
  rast() |>
  # apply focal(r, fun = "mean") twice
  mean_n(2) |> 
  # use .5 threshold value to categorize back to "red" & "blue";
  # from factor to character for plotting
  as.matrix(wide = TRUE) |> 
  cut(breaks = c(-Inf, .5, Inf), labels = c("red","blue")) |> 
  as.character() 

withr::with_par(
  list(mar = c(0,0,0,0)),
  plot(g, layout = cbind(V(g)$x, V(g)$y), 
       vertex.size = 7,  
       vertex.label = NA,
       edge.arrow.size = 0.5,
       edge.color = "lightgray"
       )
)

Хотя, если вы можете параметризовать свои кластеры и/или хотите получить более контролируемый результат, вам определенно стоит обратить внимание на spatstat.