Your SlideShare is downloading. ×
0
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Cartographie avec igraph sous R (Partie 2)

3,272

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
3,272
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
21
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Utilisation d’igraphPopularité, modularité et communautéPascal Eusebio – PSAR AT - Mars 2012
  • 2. PlanProblématique et définitionThéorie des graphes: package igraph 1. Partitionnement de graphe : ex. les communautés 2. Analyse des réseaux : ex. la popularité Avril 2012
  • 3. Les flux domicile-travail, un graphe à analyser. Avril 2012
  • 4. ProblématiqueA partir d’une matrice de flux, quelles sont les relationspréférentielles?Qui est pôle d’échange ?Pour y répondre, nous utiliserons la théorie des graphesavec la librairie igraph. Avril 2012
  • 5. Définition: modularitéC’est: la somme des flux internes d’une communauté - la somme des flux reliant les mêmes communes dans un graph plein. Le poids de chaque flux est repondéré pour conserver le degré des nœuds. Avril 2012
  • 6. Définition: La modularitéLa modularité est une mesure pour la qualité dunpartitionnement des nœuds dun graph, en communautés.L’objectif des partitionnements est de maximiser (souscontrainte ou non) la modularité. Avril 2012
  • 7. Le partitionnement de grapheL’approche divisive, on part d’une communauté, lesdivisions successives doivent améliorer la modularité. Avril 2012
  • 8. Le partitionnement de grapheModule de igraph: leading.eigenvector.communityCode:library(igraph)library(foreign)base = "C:/Flux_dt_au.dbf"base_flux=read.dbf(base,as.is=T)g=graph.adjacency(matriceflux,mode="undirected",diag=F, weighted=T,add.rownames="name")lec <- leading.eigenvector.community(g)communautes <- data.frame(V(g)$name, lec$membership)modularite<- modularity(g, lec$membership) Avril 2012
  • 9. Le partitionnement de grapheA l’inverse, l’approche gloutonne fusionne de manièrerécursive des communautés atomiques à la première étape. Avril 2012
  • 10. Le partitionnement de grapheModule de igraph: fastgreedy.communityCode:g=graph.adjacency(matriceflux,mode="undirected",diag=F,weighted=T)fgc<-fastgreedy.community(g,merges=T,modularity=T,weights=E(g)$weight)communautes<-community.to.membership(g,fgc$merges, steps=20)modularite<-modularity(g, communautes$membership) Avril 2012
  • 11. Analyse des réseaux: la popularitéQuel indicateur permet de définir le territoire moteur deséchanges d’une zone ?La réponse facebook est : « Le plus populaire est celui qui a desamis populaires ».Il existe plusieurs méthodes fondées sur l’étude du premier vecteurpropre de la matrice de flux dont le page rank.g=graph.adjacency(matriceflux,mode="directed",weighted=T,diag=F,add.rownames="name")pr<-data.frame(V(g)$name,page.rank(g)$vector) Avril 2012

×