从邻接矩阵创建图

graph_from_adjacency_matrix() 是一个灵活的函数，用于从邻接矩阵创建 igraph 图。

用法

graph_from_adjacency_matrix(
  adjmatrix,
  mode = c("directed", "undirected", "max", "min", "upper", "lower", "plus"),
  weighted = NULL,
  diag = TRUE,
  add.colnames = NULL,
  add.rownames = NA
)

from_adjacency(...)

参数

adjmatrix

一个方形邻接矩阵。从igraph版本0.5.1开始，这可以是一个使用 Matrix 包创建的稀疏矩阵。

mode

字符标量，指定igraph应如何解释提供的矩阵。另请参阅 weighted 参数，解释也取决于它。可能的值有：directed、undirected、upper、lower、max、min、plus。请参阅下面的详细信息。

weighted

此参数指定是否从邻接矩阵创建加权图。如果它是 NULL，则创建一个未加权的图，并且邻接矩阵的元素给出顶点之间的边数。如果它是一个字符常量，那么对于每个非零矩阵条目，都将创建一个边，并且该条目的值将作为边属性添加，并由 weighted 参数命名。如果它是 TRUE，则创建一个加权图，并且边属性的名称将为 weight。另请参阅下面的详细信息。

diag

逻辑标量，是否在计算中包含矩阵的对角线。如果这是 FALSE，则首先将对角线置零。

add.colnames

字符标量，是否将列名添加为顶点属性。如果它是“NULL”（默认值），则如果存在，列名将作为顶点属性“name”添加。 如果“NA”，则不会添加它们。 如果是一个字符常量，则它给出了要添加的顶点属性的名称。

add.rownames

字符标量，是否将行名添加为顶点属性。 可能的值与前一个参数相同。 默认情况下，不添加行名。 如果“add.rownames”和“add.colnames”指定相同的顶点属性，则忽略前者。

...

传递给 graph_from_adjacency_matrix()。

值

一个 igraph 图对象。

详细信息

顶点的顺序被保留，即对应于第一行的顶点将是图中的顶点 0，依此类推。

graph_from_adjacency_matrix() 在两种主要模式下运行，具体取决于 weighted 参数。

如果此参数为 NULL，则创建一个未加权图，并且邻接矩阵的一个元素给出要在两个对应顶点之间创建的边数。 详细信息取决于 mode 参数的值

“directed”

该图将是有向图，并且矩阵元素给出两个顶点之间的边数。

“undirected”

为了方便起见，这与 max 完全相同。 请注意，不会检查矩阵是否对称。

“max”

将创建一个无向图，并且 max(A(i,j), A(j,i)) 给出边数。

“upper”

将创建一个无向图，只有右上三角形（包括对角线）用于边数。

“lower”

将创建一个无向图，只有左下三角形（包括对角线）用于创建边。

“min”

将创建一个无向图，顶点 i 和 j 之间有 min(A(i,j), A(j,i)) 条边。

“plus”

将创建一个无向图，顶点 i 和 j 之间有 A(i,j)+A(j,i) 条边。

如果 weighted 参数不是 NULL，则矩阵的元素给出边的权重（如果它们不为零）。 详细信息取决于 mode 参数的值

“directed”

该图将是有向图，并且矩阵元素给出边权重。

“undirected”

首先我们检查矩阵是否对称。 如果不是，则会出错。 然后，只有上三角形用于创建加权无向图。

“max”

将创建一个无向图，并且 max(A(i,j), A(j,i)) 给出边权重。

“upper”

将创建一个无向图，只有右上三角形（包括对角线）被使用（用于边权重）。

“lower”

将创建一个无向图，只有左下三角形（包括对角线）用于创建边。

“min”

将创建一个无向图，min(A(i,j), A(j,i)) 给出边权重。

“plus”

将创建一个无向图，A(i,j)+A(j,i) 给出边权重。

参见

make_graph() 和 graph_from_literal() 用于创建图的其他方式。

作者

Gabor Csardi csardi.gabor@gmail.com

示例

g1 <- sample(
  x = 0:1, size = 100, replace = TRUE,
  prob = c(0.9, 0.1)
) %>%
  matrix(ncol = 10) %>%
  graph_from_adjacency_matrix()

g2 <- sample(
  x = 0:5, size = 100, replace = TRUE,
  prob = c(0.9, 0.02, 0.02, 0.02, 0.02, 0.02)
) %>%
  matrix(ncol = 10) %>%
  graph_from_adjacency_matrix(weighted = TRUE)
E(g2)$weight
#>  [1] 4 3 2 2 2 4 2 5 2 2 2 2

## various modes for weighted graphs, with some tests
non_zero_sort <- function(x) sort(x[x != 0])
adj_matrix <- matrix(runif(100), 10)
adj_matrix[adj_matrix < 0.5] <- 0
g3 <- graph_from_adjacency_matrix(
  (adj_matrix + t(adj_matrix)) / 2,
  weighted = TRUE,
  mode = "undirected"
)

g4 <- graph_from_adjacency_matrix(
  adj_matrix,
  weighted = TRUE,
  mode = "max"
)
expected_g4_weights <- non_zero_sort(
  pmax(adj_matrix, t(adj_matrix))[upper.tri(adj_matrix, diag = TRUE)]
)
actual_g4_weights <- sort(E(g4)$weight)
all(expected_g4_weights == actual_g4_weights)
#> [1] TRUE

g5 <- graph_from_adjacency_matrix(
  adj_matrix,
  weighted = TRUE,
  mode = "min"
)
expected_g5_weights <- non_zero_sort(
  pmin(adj_matrix, t(adj_matrix))[upper.tri(adj_matrix, diag = TRUE)]
)
actual_g5_weights <- sort(E(g5)$weight)
all(expected_g5_weights == actual_g5_weights)
#> [1] TRUE

g6 <- graph_from_adjacency_matrix(
  adj_matrix,
  weighted = TRUE,
  mode = "upper"
)
expected_g6_weights <- non_zero_sort(adj_matrix[upper.tri(adj_matrix, diag = TRUE)])
actual_g6_weights <- sort(E(g6)$weight)
all(expected_g6_weights == actual_g6_weights)
#> [1] TRUE

g7 <- graph_from_adjacency_matrix(
  adj_matrix,
  weighted = TRUE,
  mode = "lower"
)
expected_g7_weights <- non_zero_sort(adj_matrix[lower.tri(adj_matrix, diag = TRUE)])
actual_g7_weights <- sort(E(g7)$weight)
all(expected_g7_weights == actual_g7_weights)
#> [1] TRUE

g8 <- graph_from_adjacency_matrix(
  adj_matrix,
  weighted = TRUE,
  mode = "plus"
)
halve_diag <- function(x) {
  diag(x) <- diag(x) / 2
  x
}
expected_g8_weights <- non_zero_sort(
  halve_diag(adj_matrix + t(adj_matrix))[lower.tri(adj_matrix, diag = TRUE)]
)
actual_g8_weights <- sort(E(g8)$weight)
all(expected_g8_weights == actual_g8_weights)
#> [1] TRUE

g9 <- graph_from_adjacency_matrix(
  adj_matrix,
  weighted = TRUE,
  mode = "plus",
  diag = FALSE
)
zero_diag <- function(x) {
  diag(x) <- 0
}
expected_g9_weights <- non_zero_sort((zero_diag(adj_matrix + t(adj_matrix)))[lower.tri(adj_matrix)])
actual_g9_weights <- sort(E(g9)$weight)
all(expected_g9_weights == actual_g9_weights)
#> [1] TRUE

## row/column names
rownames(adj_matrix) <- sample(letters, nrow(adj_matrix))
colnames(adj_matrix) <- seq(ncol(adj_matrix))
g10 <- graph_from_adjacency_matrix(
  adj_matrix,
  weighted = TRUE,
  add.rownames = "code"
)
summary(g10)
#> IGRAPH af08bd5 DNW- 10 51 -- 
#> + attr: name (v/c), code (v/c), weight (e/n)