在 igraph 与 networkx 中，同一图的 Louvain 和模块化值差异很大答案

【问题标题】：Louvain and modularity values of the same graph differ a lot in igraph vs networkx在 igraph 与 networkx 中，同一图的 Louvain 和模块化值差异很大
【发布时间】：2020-03-29 12:29:57
【问题描述】：

我有一个图表，我想根据图表的 Louvain split 估计模块性 (Q)。

在 python 中，我使用 igraph 并进行比较，我还在 Matlab 中估计了 Q。基于 igraph，Q 为负（奇怪），而基于 Matlab 估计的 Q 为正。

我预计值会有所不同，但到目前为止还没有（+ 表示模块化，- 表示反模块化）。知道为什么会这样吗？

我的代码和数据（https://gofile.io/?c=h24mcU）：

Python

import numpy as np
import scipy.io
from igraph import *

A = scipy.io.loadmat('A.mat')['A']

graph = Graph.Weighted_Adjacency(A.tolist(), mode=ADJ_UNDIRECTED, attr="weight", loops=False)
Louvain = graph.community_multilevel(weights=graph.es['weight'], return_levels=False)
Q = graph.modularity(Louvain)
print(Q)

-0.001847596203445795

MATLAB（大脑连接工具箱） 使用 community_louvain.m：Louvain 社区检测算法

clear all
load('A.mat')
[M,Q]=community_louvain(A);

Q =

   0.1466

PYTHON 版本的 community_louvain.m： https://github.com/aestrivex/bctpy/blob/f9526a693a9af57051762442d8490dcdf2ebf4e3/bct/algorithms/modularity.py#L71,

import bct

split, Q = bct.community_louvain(A)
Q
0.14659657544165258

我再次得到大约。 0.1466 与基于 Matlab 和 Python BCT 的结果相匹配，但与igraph 输出相距甚远。

【问题讨论】：

标签： python networkx igraph modularity

【解决方案1】：

找到解决方案。

我希望 igraph 能够理解这一点，因为我定义了一个加权邻接矩阵，但我需要明确在 modularity() 中传递 weights 参数。

import numpy as np
import scipy.io
from igraph import *

A = scipy.io.loadmat("A.mat")['A']
np.fill_diagonal(A,0.0)

# igraph
graph = Graph.Weighted_Adjacency(A.tolist(), mode=ADJ_UNDIRECTED, attr="weight", loops=False)
Louvain = graph.community_multilevel(weights=graph.es['weight'], return_levels=False)
Q = graph.modularity(Louvain, weights=graph.es['weight'])
print(Q)

#bctpy
com, q = bct.community_louvain(A)
print(q)

0.14133150351832535

0.14133150351832674

【讨论】：