原文链接：http://tecdat.cn/?p=18770
为了用R来处理网络数据，我们使用婚礼数据集。
代码语言：javascript复制
> nflo=network(flo,directed=FALSE)> plot(nflo, displaylabels = TRUE, boxed.labels = FALSE)
下一步是igraph。由于我们有邻接矩阵，因此可以使用它
代码语言：javascript复制
graph_from_adjacency_matrix(flo, mode = "undirected")
我们可以在两个特定节点之间获得最短路径。我们给节点赋予适当的颜色
代码语言：javascript复制
all_shortest_paths(iflo,)
> plot(iflo)
我们还可以可视化边，需要从输出中提取边缘
代码语言：javascript复制
> lins=c(paste(as.character(L)[1:4], "--" as.character(L)[2:5] sep="" , paste(as.character(L) 2:5], "--",
> E(ifl )$color=c("grey","black")[1 EU]> plot(iflo)
也可以使用D3js可视化
代码语言：javascript复制
> library( networkD3 )> simpleNetwork (df)下一个问题是向网络添加一个顶点。最简单的方法是通过邻接矩阵实现概率
代码语言：javascript复制
> flo2["f","v"]=1> flo2["v","f"]=1
然后，我们进行集中度测量。
目的是了解它们之间的关系。
代码语言：javascript复制
betweenness(ilo)
> cor(base)betw close deg eigbetw 1.0000000 0.5763487 0.8333763 0.6737162close 0.5763487 1.0000000 0.7572778 0.7989789deg 0.8333763 0.7572778 1.0000000 0.9404647eig 0.6737162 0.7989789 0.9404647 1.0000000可以使用层次聚类图来可视化集中度度量
代码语言：javascript复制
hclust(dist( ase , method="ward")
查看集中度度量的值，查看排名
代码语言：javascript复制
> for(i in 1:4) rbase[,i]=rank(base[,i])
在此，特征向量测度非常接近顶点的度数。
最后，寻找聚类（以防这些家庭之间爆发战争）
代码语言：javascript复制> kc <- fastgreedy.community ( iflo )在这里，我们有3类
