-
Notifications
You must be signed in to change notification settings - Fork 0
/
fast_greedy.py
714 lines (598 loc) · 32.6 KB
/
fast_greedy.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import networkx as nx
import community
import os
from funciones import *
import scipy.misc
from scipy.sparse import csr_matrix
import scipy.sparse.csgraph as sc
import copy
import itertools
#------------------------------------------------------------------------------------------------------
# Trabajo Computacional 3
#------------------------------------------------------------------------------------------------------
# Primero creamos la red de delfines: agregamos los enlaces sin necesidad de agregar antes los nodos
mydolphins = nx.read_gml('dolphins.gml')
# Para agregar el dato del genero a partir del txt:
# creamos dos listas: una de nombres de delfines (nodos) y otra de los generos correspondientes
Gender = pd.read_csv('dolphinsGender.txt', sep='\t', header=None)
delfines = Gender[0] # nombres de delfines (nodos)
genero = Gender[1] # genero de los delfines en el mismo orden que los nodos
# A cada uno de los nodos ya existentes en el grafo, se le agrega el genero
for d,g in zip(delfines,genero):
mydolphins.add_node(d, gender=g)
#Output folder:
outfolder='./resultados_fast_greedy/'
#------------------------------------------------------------------------------------------------------
#Grafico Original
#------------------------------------------------------------------------------------------------------
fig = plt.figure(1)
fig.patch.set_facecolor('white')
#Posiciones de los nodos
#pos = nx.spring_layout(mydolphins)
#Asi siempre grafica lo mismo
pos={'TR77': [-0.00686432, 0.20671214], 'SN4': [-0.30167655, 0.1709983 ], 'MN105': [-0.48412144, 0.02281396], 'MN83': [-0.46944408, -0.04991709], 'Shmuddel': [-0.46766429, 0.36944462], 'Vau': [-0.42298501, -0.28769828], 'SN90': [ 0.59618263, -0.27801198], 'Bumper': [-0.16871511, 0.4586046 ], 'SMN5': [-0.77760313, 0.0395804 ], 'Stripes': [-0.50783091, 0.3303615 ], 'Quasi': [ 1. , -0.18112197], 'DN16': [ 0.82094776, -0.46242208], 'Whitetip': [-0.66190052, 0.43242722], 'Fork': [-0.73091456, 0.25552539], 'Grin': [-0.36074806, 0.15523022], 'PL': [0.18131467, 0.15653464], 'DN21': [ 0.78411834, -0.31682214], 'Trigger': [-0.48236803, -0.1548581 ], 'SN89': [ 0.33282518, -0.23263502], 'Oscar': [0.09453741, 0.05925168], 'Fish': [-0.21062552, 0.27569265], 'SN63': [-0.42534403, 0.29564573], 'SN100': [ 0.0114244 , -0.05565292], 'SN9': [-0.15391299, 0.07498991], 'TR99': [-0.31469055, 0.08795352], 'CCL': [-0.25197153, -0.09534079], 'DN63': [0.27664047, 0.00265266], 'Topless': [-0.34901076, -0.04751828], 'Upbang': [ 0.54549589, -0.1844215 ], 'TR82': [ 0.91382896, -0.37402259], 'Knit': [0.39761589, 0.01846514], 'Zap': [-0.16312988, -0.13489098], 'Jet': [ 0.74434305, -0.1784962 ], 'Double': [-0.15038254, -0.00120439], 'Cross': [-0.61803759, -0.38844752], 'Hook': [-0.3384137 , 0.24327099], 'Wave': [ 0.96374634, -0.47444471], 'Mus': [ 0.75550099, -0.00351393], 'TR120': [-0.64532706, 0.57999096], 'Patchback': [-0.49964881, 0.08446744], 'SN96': [-0.07512146, 0.26618326], 'Gallatin': [ 0.70301601, -0.37641514], 'Five': [-0.69876631, -0.31554103], 'Notch': [0.63079813, 0.03576706], 'Beak': [-0.15531096, 0.16553754], 'Kringel': [-0.19166107, 0.13881005], 'Web': [ 0.66849069, -0.31601452], 'Scabs': [-0.45119676, 0.20397036], 'MN60': [-0.24415948, -0.20565683], 'Number1': [ 0.56972977, -0.03490899], 'Thumper': [-0.29542824, 0.38534941], 'TSN83': [-0.48332259, 0.57613593], 'TSN103': [-0.41262492, 0.14370002], 'MN23': [ 0.98120322, -0.0832051 ], 'Feather': [ 0.74874531, -0.4058308 ], 'Jonah': [-0.40488327, -0.02305368], 'TR88': [-0.69803733, 0.54972405], 'Zig': [ 0.79160867, -0.83867743], 'Beescratch': [ 0.41616125, -0.08156713], 'Haecksel': [-0.29259803, -0.07059502], 'Zipfel': [-0.32524628, 0.48412704], 'Ripplefluke': [ 0.76341264, -0.61701228]}
#Nodos
nx.draw_networkx_nodes(mydolphins,pos,nodelist=list(delfines),node_color=["blue" if g=="m" else "violet" if g=="f" else "green" for g in list(genero)],with_labels=True,node_size=1000,alpha=0.8,linewidths=1.5,edgecolors='black')
#Enlaces
nx.draw_networkx_edges(mydolphins,pos,width=1.0,alpha=1)
#Etiquetas
nx.draw_networkx_labels(mydolphins,pos,font_size=8)
plt.title('Red de delfines',fontsize=20)
plt.axis('off')
#------------------------------------------------------------------------------------------------------
#Metodo: Fast Greedy
#------------------------------------------------------------------------------------------------------
comus = nx.algorithms.community.greedy_modularity_communities(mydolphins, weight=None)
comunidades=list(comus)
#------------------------------------------------------------------------------------------------------
#1.a)Visualice los resultados gráficamente
#------------------------------------------------------------------------------------------------------
colores=['blue','red','orange','green']
fig = plt.figure(2)
fig.patch.set_facecolor('white')
#Nodos
for c,comu in enumerate(comunidades):
nx.draw_networkx_nodes(mydolphins,pos,nodelist=comu,node_color=colores[c],node_size=1000,alpha=0.8,linewidths=1.5,edgecolors='black')
#Enlaces
nx.draw_networkx_edges(mydolphins,pos,width=1.0,alpha=1)
#Etiquetas
nx.draw_networkx_labels(mydolphins,pos,font_size=8)
plt.title('Comunidades\n Metodo: Fast greedy',fontsize=20)
plt.axis('off')
plt.show()
#-------------------------------------------------------------------------------
#1.b) Modularidad y Silouhette:
#-------------------------------------------------------------------------------
#Asignamos a cada nodo del grafo la propiedad comunity que tendrá un color.
for c,comu in enumerate(comunidades):
for delfin in list(comu):
mydolphins.node[delfin]['comunity']=colores[c]
#-------------------------------------------------------------
#Modularidad:
#-------------------------------------------------------------
#Matriz de Adyacencias Aij:
delfines=mydolphins.nodes()
A = np.array(nx.to_numpy_matrix(mydolphins,nodelist=delfines))
N=mydolphins.number_of_nodes()
m=mydolphins.number_of_edges()
grado = dict(mydolphins.degree())
#Matriz de variable categorica comunidad: Cij=delta(ci,cj)
C=np.zeros(np.shape(A))
for ni, idelfin in enumerate(delfines):
for nj, jdelfin in enumerate(delfines):
if mydolphins.nodes[idelfin]['comunity']==mydolphins.nodes[jdelfin]['comunity']:
C[ni,nj]=1
#Calculo de la modularidad
#Q/Qmax=(S1-S2)*(1/2m)
#S1=Suma en nodos (Aij*Cij)
#S2=Suma en nodos(kikj*Cij/2m)
S1=0
S2=0
for ni, idelfin in enumerate(delfines):
for nj, jdelfin in enumerate(delfines):
S1=S1+A[ni,nj]*C[ni,nj]
S2=S2+grado[idelfin]*grado[jdelfin]*C[ni,nj]
S2=S2/(2*m)
mod=(S1-S2)/(2*m)
print('Modularidad = {0:.3f}'.format(mod))
#Calculando la modularidad de cada comunidad y luego sumandolas:
modularidades=[]
for c,comu in enumerate(comunidades):
s1=0
s2=0
for idelfin in list(comu):
for jdelfin in list(comu):
#Buscamos los indices en la lista de delfines para luego acceder a la matrix de Ady con esos indices ni y nj:
ni=[idx for idx,d in enumerate(delfines) if d==idelfin]
nj=[idx for idx,d in enumerate(delfines) if d==jdelfin]
s1=s1+A[ni,nj]
s2=s2+grado[idelfin]*grado[jdelfin]
s2=s2/(2*m)
mod=(s1-s2)/(2*m)
modularidades.append(float(mod))
print('Modularidades por comunidad:')
print(modularidades)
print('Modularidad = {0:.3f}'.format(np.sum(modularidades)))
#Output
'''
output={}
output['color']=colores
output['mod']=modularidades
df=pd.DataFrame(output)
df.to_csv(outfolder+'modularidades.txt',sep='\t')
'''
#-------------------------------------------------------------
#Silhouette:
#-------------------------------------------------------------
#distancia promedio de un nodo a todos los de su comunidad
#distancia se podria medir como el numero de links en el camino mas corto para llegar a otro.
#Ej:
#distancia entre 'Jet' y 'Trigger' = len(nx.shortest_path(mydolphins,'Jet','Trigger')) - 1
#Calculo de a[i]
a=[] #contendra para cada nodo en delfines la distancia promedio a nodos de su misma comunidad
for idelfin in delfines:
distancias=[]
for jdelfin in delfines:
if mydolphins.nodes[idelfin]['comunity']==mydolphins.nodes[jdelfin]['comunity']:
distancias.append(len(nx.shortest_path(mydolphins,idelfin,jdelfin))-1)
promedio=np.mean(distancias)
a.append(promedio)
#Calculo de b[i]
b=[] #contendria para cada nodo en delfines la distancia promedio a nodos de otras comunidades, devuelvo el promedio minimo
for idelfin in delfines:
#Me quedo con las comunidades distintas a la del delfin idelfin
comuni=['blue','red','orange','green']
comuni.remove(mydolphins.node[idelfin]['comunity'])
b_comuni=[]
for c in comuni:
distancias=[]
for jdelfin in delfines:
if mydolphins.nodes[jdelfin]['comunity']==c:
distancias.append(len(nx.shortest_path(mydolphins,idelfin,jdelfin))-1)
promedio_comuni=np.mean(distancias)
b_comuni.append(promedio_comuni)
b.append(min(b_comuni))
comuni=['blue','red','orange','green'] #vuelvo a comuni al estado inicial
#Calculo del Silhouette:
print('Silhouette delfin-S[i]=')
S=[]
for i,idelfin in enumerate(delfines):
s=(b[i]-a[i])/(max(b[i],a[i]))
S.append(s)
#guardo la propiedad silhouette en el grafo:
mydolphins.node[idelfin]['silhouette']=s
print (mydolphins.nodes.data('silhouette'))
#Output
'''
df = pd.DataFrame.from_dict(dict(mydolphins.nodes.data('silhouette')), orient="index")
df.to_csv(outfolder+'silhouette.txt',sep='\t')
'''
#Grafico de Silhouette:
plt.figure(3)
delfines=np.sort(delfines)
x = []
xTicks = []
contador=-1
dtype = [('name', 'S21'), ('silhouette', float)]
for c in colores:
delf_S=[] #lista con pares de [delfin,silouette]
for i, idelfin in enumerate(delfines):
if mydolphins.nodes[idelfin]['comunity']==c:
delf_S.append((str(idelfin),mydolphins.nodes[idelfin]['silhouette']))
delf_S=np.array(delf_S,dtype=dtype)
delf_S=np.sort(delf_S,order='silhouette') #lo ordeno segun la propiedad silhouette
delf_S=list(delf_S)
for j,d in enumerate(delf_S):
contador=contador+1
delfin=str(delf_S[j][0],'utf-8')
silhouette_value=delf_S[j][1]
plt.bar(contador,silhouette_value,color=mydolphins.nodes[delfin]['comunity'],edgecolor='black')#grafico una barra
x.append(contador)
xTicks.append(delfin)
plt.xticks(x, xTicks)
plt.xticks(range(len(delfines)),xTicks, rotation=90)
plt.title('Silhouette',fontsize=20)
plt.show()
#------------------------------------------------------------------------------
#1b) Rewirings:
#------------------------------------------------------------------------------
#Se podria tomar la red original recablear, y luego para las comunidades encontradas
#en la red original contar los enlaces que se hayan entre esos nodos.
#O sea estariamos calculando de forma simulada el valor kikj/2L.
#Haremos un histograma del numero de enlaces en esa comunidad.
'''
#iteraciones=20000 #descomentar para que corra
Recableados={} #es un diccionario que tiene como keys ['comunidadi'] y como propiedades['color','lc_real','lc_random'].
#lc_random es una lista de tamano 'iteraciones' y que contiene el numero de enlaces dentro de esa comunidadn uno de esos recableados
lc_random=[[],[],[],[]]
#Recableamos y contamos enlaces en cada comunidad
for it in range(0,iteraciones):
D=rewiring(mydolphins) #creamos un nuevo grafo recableado:
D_ady = np.array(nx.to_numpy_matrix(D,nodelist=delfines))
for c,comu in enumerate(comunidades):
enlaces=0
for idelfin in list(comu):
for jdelfin in list(comu):
#Buscamos los indices en la lista de delfines para luego acceder a la matrix de Ady con esos indices ni y nj:
ni=[idx for idx,d in enumerate(delfines) if d==idelfin]
nj=[idx for idx,d in enumerate(delfines) if d==jdelfin]
enlaces=enlaces+D_ady[ni,nj]
lc_random[c].append(int(enlaces)/2)
Recableados['comunidad'+str(c)]={'color':colores[c],'lc_real':0,'lc_random':list(lc_random[c])}
#Contamos enlaces en cada comunidad de la red original:
for c,comu in enumerate(comunidades):
enlaces=0
for idelfin in list(comu):
for jdelfin in list(comu):
#Buscamos los indices en la lista de delfines para luego acceder a la matrix de Ady con esos indices ni y nj:
ni=[idx for idx,d in enumerate(delfines) if d==idelfin]
nj=[idx for idx,d in enumerate(delfines) if d==jdelfin]
enlaces=enlaces+A[ni,nj]
enlaces=int(enlaces)/2
Recableados['comunidad'+str(c)]['lc_real']=enlaces
#Graficamos:
for c,comu in enumerate(comunidades):
plt.figure(c)
plt.hist(Recableados['comunidad'+str(c)]['lc_random'],color=colores[c],linewidth=1.5,edgecolor='black',label='Red recableada',alpha=0.8,normed=1)
plt.axvline(x=Recableados['comunidad'+str(c)]['lc_real'],color=colores[c],linewidth=2,label='Red Real')
plt.xlabel('$Numero$ $de$ $enlaces$ $dentro$ $de$ $la$ $comunidad$')
plt.ylabel('$Frecuencia$')
plt.legend(loc='upper center')
plt.title('Modularidad '+' comunidad '+colores[c])
plt.savefig(outfolder+'comunidad_'+colores[c]+'_hist.png')
'''
#Output
'''
for c,comu in enumerate(comunidades):
lc_real=Recableados['comunidad'+str(c)]['lc_real'] #numero de enlaces dentro de la comunidad en la red real
lc_rewiring=np.mean(Recableados['comunidad'+str(c)]['lc_random'])#numero de enlaces promedio dentro de la comunidad para un cierto numero de redes recableadas.
modularidad_por_rewiring=(lc_real-lc_rewiring)/m #dividimos por el numero de enlaces totales.
output={}
output['comunidad']=Recableados['comunidad'+str(c)]['color']
output['enlaces_red_real']=lc_real
output['enlaces_red_recabelada']=lc_rewiring
output['modularidad por rewiring']=modularidad_por_rewiring
output['modularidad por cuenta teorica']=modularidades[c]
output['enlaces_red_random']=list(Recableados['comunidad'+str(c)]['lc_random'])
df = pd.DataFrame.from_dict(output, orient="index")
df.to_csv(outfolder+'comunidad_'+colores[c]+'_data.txt',sep='\t')
'''
#-----------------------------------------------------------------------------------------------------------------------------
#1d)Tests de Fisher para ver la relacion entre genero y comunidades encontradas:
#-----------------------------------------------------------------------------------------------------------------------------
Generos={} #Es un diccionario que tiene como keys ['comunidadi'] y como propiedades['color','dc','fc','mc','pFish','pvalor'].
#dc: numero de delfines en la comunidad.
#fc: numero de hembras en la comunidad.
#mc: numero de machos en la comunidad.
#pFish: probabilidad de que hayan hc hembras en la comunidad por azar. pFish=(F fc)(D-F dc-fc)/(D dc) donde (A a)=A!/a!(A-a)!
#D: numero total de delfines con genero
#F: numero total de hembras
#M: numero total de machos
delfinesF=[delfines[i] for i,idelfin in enumerate(delfines) if mydolphins.node[idelfin]['gender']=='f']
delfinesM=[delfines[i] for i,idelfin in enumerate(delfines) if mydolphins.node[idelfin]['gender']=='m']
F=len(delfinesF)
M=len(delfinesM)
D=M+F
for c,comu in enumerate(comunidades):
dc=0
fc=0
mc=0
for idelfin in list(comu):
if mydolphins.node[idelfin]['gender']=='f':
dc=dc+1
fc=fc+1
elif mydolphins.node[idelfin]['gender']=='m':
dc=dc+1
mc=mc+1
pFish=scipy.misc.comb(F,fc)*scipy.misc.comb(D-F,dc-fc)/scipy.misc.comb(D,dc)
#Calculo del pvalor:
pvalor=0
for f in range(fc,F+1):
pvalor=pvalor+(scipy.misc.comb(F,f)*scipy.misc.comb(D-F,dc-f)/scipy.misc.comb(D,dc))
Generos['comunidad'+str(c)]={'color':colores[c],'dc':dc,'fc':fc,'mc':mc,'pFish':pFish,'pvalor':pvalor}
#Para chequear que este bien la cuenta se puede usar:
#import scipy.stats as stats
#scipy.stats.fisher_exact(table, alternative='less')
#donde la tabla de contingencias es: Comunidad/Nocomunidad Machos/Hembras
#[[mc,fc],[M-mc,F-fc]]
#Output
'''
df = pd.DataFrame.from_dict(dict(Generos), orient="index")
df.to_csv(outfolder+'generos.txt',sep='\t')
'''
'''
#-----------------------------------------------------------------------------------------------------------------------------
#2)k-Clique Percolation:
#-----------------------------------------------------------------------------------------------------------------------------
#-----------------------------------------------------------------------------------------------------------------------------
#Parte A) Calculos previos:
#-----------------------------------------------------------------------------------------------------------------------------
print('Clique Percolation...')
cliques=list(nx.enumerate_all_cliques(mydolphins))
k=4 #Tipo de k-cliques que queremos percolar.
cliques_k=[] #nos quedamos con los k_cliques.
for c,clique in enumerate(cliques):
if len(clique)==k:
cliques_k.append(clique)
#CLiques_k es la matriz de Overlap de k-cliques:
Cliques_k=np.zeros((len(cliques_k),len(cliques_k)))
for i,iclique in enumerate(cliques_k):
for j,jclique in enumerate(cliques_k):
if len(set(iclique).intersection(set(jclique)))==k-1:#dos 3-cliques se overlapean si son adyacentes o sea si comparten un link.
Cliques_k[i][j]=1
Cliques_k[j][i]=1
#Usamos el algoritmo de reverse_cuthill_mckee para generar una matriz de bloques:(creo que debe ser similar a hacer formad de Jordan este algoritmo)
#(No creo que sea del todo necesario pero creo que reduce el tiempo de computo para lo que viene despues)
A=Cliques_k
A=np.array(A)
B=csr_matrix(A) #Cliques_tres en forma sparse para poder pasarselo al metodo se necesita la matriz en esta forma
C=np.zeros((np.shape(A)[0],np.shape(A)[0]))
orden=sc.reverse_cuthill_mckee(B,symmetric_mode=True) #ordena los vectores columna en la matriz A de forma de obtener una matriz C de bloques.
orden=list(orden)
for i,o in enumerate(orden):
for j,p in enumerate(orden):
C[i,j]=A[o][p]
#cliques hay que ordenarlo segun el vector orden.
cliques_k_ordenados=[]
for c,clique in enumerate(cliques_k):
nuevo=copy.deepcopy(cliques_k[orden[c]])
cliques_k_ordenados.append(nuevo)
#-----------------------------------------------------------------------------------------------------------------------------
#Parte B) Percolacion de cliques:
#-----------------------------------------------------------------------------------------------------------------------------
#Hasta aca tenemos cliques_tres_ordenados.
#Ahora tenemos que encontrar las comunidades:
#Hago una copia de cliques que tengo:
cliques=copy.deepcopy(cliques_k_ordenados) #lo copiamos ya que vamos a ir eliminando cliques de la lista cliques pero cliques_tres_ordenados la conservamos intacta
#Estrategia: vamos buscando cliques en la lista cliques y cuando son adyaentes los agarro y los agrego a la lista comunidad_cliques
Comunidades=[]
comunidad_cliques=[copy.deepcopy(cliques[0])] #acá es donde vamos a ir poniendo los cliques que vamos encontrando que son adyacentes
#el valor inicial de la comunidad_cliques son los delfines del primer clique de la lista cliques
while len(cliques)>1: #terminamos cuando se me acabaron los cliques en a lista cliques
cliques_to_remove=[] #cuando encuentro que hay una interseccion entre el jclique con algno de la comunidad lo tengo que eliminar de la lista cliques
cliques_to_remove.append(0)#asi elimino tambien el primer elemento
print('cliques actualizados:')
print(cliques)
tamanocliquesold=len(cliques)
tamanocliquesnew=len(cliques)+1
#Lo siguiente es MUCHO MUY IMPORTANTE!:
#una vez que termino te recorrer cliques y agregarlos a comunidad_cliques hay que aseguarse que no queden cliques en la lista clique que puedan corresponder
#a la comunidad que estoy armando en comunidad_cliques.
#esto puede pasar porque el link compartido se pudo formar despues y nunca lo vi,mos entonces...hay que iterar hasta que el largo del vector comunidad_cliques ya no cambie.
while tamanocliquesnew-tamanocliquesold > 0: #Hay que iterar hasta que este vector ya no cambie mas su largo!!:
tamanocliquesold=len(comunidad_cliques)
for j in range(0,len(cliques)):
for cc, cclique in enumerate(comunidad_cliques):
if len(set(cliques[j]).intersection(set(cclique)))==k-1:
comunidad_cliques.append(cliques[j])#guardo el clique en vez de los nodos y siempre comparo con cliques NO con nodos
cliques_to_remove.append(j)
#eliminamos elementos repetidos tanto de remove como de comunidad_cliques
comunidad_cliques.sort()
comunidad_cliques=list(comunidad_cliques for comunidad_cliques,_ in itertools.groupby(comunidad_cliques))#elimino elementos repetidos
#print('comunidad')
#print(comunidad_cliques)
cliques_to_remove=list(np.unique(cliques_to_remove))
#print(cliques_to_remove)
tamanocliquesnew=len(comunidad_cliques)
newcliques= [z for i, z in enumerate(cliques) if i not in cliques_to_remove] #actualizamos cliques borrando los que ya encontramos que hubo interseccion
cliques=copy.deepcopy(newcliques)
print('comunidad final')
print(comunidad_cliques)
Comunidades.append(comunidad_cliques)
if len(cliques)>0:
comunidad_cliques=[copy.deepcopy(cliques[0])]
print('Listo Clique Percolation')
#-----------------------------------------------------------------------------------------------------------------------------
#Parte C) post-Calculos :
#-----------------------------------------------------------------------------------------------------------------------------
numero_comunidades=len(Comunidades)
print('Numero de comunidades encontradas: {}'.format(numero_comunidades))
#Teminamos de armar las comunidades a partir de los cliques que estan en cada component de Comunidades[i]:
comunidades_perc=[] #lista que contiene en cada posicion una comunidad que es la lista de delfines que pertenecen a la misma
delfines_alcanzados=[]
for c,com in enumerate(Comunidades):
delfines=[]
for cl, clique in enumerate(com):
for grado in range(0,k):
delfines.append(clique[grado])
delfines_alcanzados.append(clique[grado])
comunidades_perc.append(list(np.unique(delfines)))
delfines_alcanzados=list(np.unique(delfines_alcanzados))
for c,com in enumerate(Comunidades):
print('Comunidad {}: numerodecliques: {} numerodedelfines: {}'.format(c,len(com),len(comunidades_perc[c])))
#Nodos overlapping:
overlap_comunidades=[]
for c,icom in enumerate(comunidades_perc):
overlap_row=[]
for d,jcom in enumerate(comunidades_perc):
if c!=d:
overlap_row.append(list(set(icom).intersection(set(jcom))))
else:
overlap_row.append([])
overlap_comunidades.append(overlap_row)
#Nodos faltantes: son nodos a los que el metodo no pudo llegar los vamos a graficar en tamaño mas chico:
#comparamos con la lista de delfines_alcanzados con la lista de delfines
delfines_originales=mydolphins.nodes()
delfines_faltantes=set(delfines_originales).difference(set(delfines_alcanzados))
#----------------------------------------
#Grafico:
#----------------------------------------
colores=['blue','red','orange','green']
fig = plt.figure(4)
fig.patch.set_facecolor('white')
#Nodos alcanzados por clique percolation
for c,comu in enumerate(comunidades_perc):
nx.draw_networkx_nodes(mydolphins,pos,nodelist=comu,node_color=colores[c],node_size=1000,alpha=0.8,linewidths=1.5,edgecolors='black')
#Nodos con overlapping entre comunidades:
for i in range(0,len(overlap_comunidades)):
for j in range(i,len(overlap_comunidades)):
nx.draw_networkx_nodes(mydolphins,pos,nodelist=overlap_comunidades[i][j],node_color='deepskyblue',node_shape='o',node_size=1000,alpha=1,linewidths=1.5,edgecolors='black')
#Nodos faltantes:
nx.draw_networkx_nodes(mydolphins,pos,nodelist=delfines_faltantes,node_color='steelblue',node_size=200,alpha=0.8,linewidths=1.5,edgecolors='black')
#Enlaces
nx.draw_networkx_edges(mydolphins,pos,width=1.0,alpha=1)
#Etiquetas
nx.draw_networkx_labels(mydolphins,pos,font_size=8)
plt.title('Comunidades\n Metodo: '+str(k)+'-Clique percolation',fontsize=20)
plt.axis('off')
plt.show()
'''
#-----------------------------------------------------------------------------------------------------------------------------
#1d)Extras Analisis de homofilia:
#-----------------------------------------------------------------------------------------------------------------------------
#Vamos a hacerlo de dos maneras al igual que lo que hicimos en el tp1:
#a) Utilizando primero una reasignacion de los generos dentro de cada comunidad
#y comparando con la cantidad de enlaces entre distintos generos(numero de enlaces fm)
#de la red real.
print('Calculando Homofilia en comunidades')
Enlaces_fm_comunidades= [] # Lista donde vamos a almacenar la cantidad de enlaces entre géneros distintos
Enlaces_fm_comunidad=[]
Generos_comunidades=[]
Generos_comunidad=[]
mean_enlacesfm_comunidades=[]
desv_enlacesfm_comunidades=[]
histogramas_comunidades=[]
pvalue_comunidades=[]
for c,com in enumerate(comunidades):
Generos_comunidad=[]
for d,delfin in enumerate(com):
Generos_comunidad.append(mydolphins.nodes[delfin]['gender'])
Generos_comunidades.append(Generos_comunidad)
Comunity_graphs=[]
for i,icom in enumerate(comunidades):
Comunity_graph=copy.deepcopy(mydolphins)
for j,jcom in enumerate(comunidades):
if j!=i:
Comunity_graph.remove_nodes_from(jcom)
Comunity_graphs.append(Comunity_graph)
# Hacemos N asignaciones aleatorias de género:
num_asignaciones = 10000
for cg, comgraph in enumerate(Comunity_graphs):
delfines=comunidades[cg]
Enlaces_fm_comunidad= []
for it in range(0,num_asignaciones):
if it==0:
genero_shuffle = Generos_comunidades[cg] # Conservamos la red real en la primera iteración
else:
genero_shuffle = Generos_comunidades[cg]
np.random.shuffle(genero_shuffle) # Reordenamos aleat los generos para el resto de las iteraciones
#Reasignamos a cada nodo un valor de genero del vector de genero_shuffle:
for d,g in zip(delfines,genero_shuffle):
Comunity_graphs[cg].add_node(d, gender=g)
#Contamos la fraccion de enlaces que conecta nodos con diferente genero:
enlaces = list(Comunity_graphs[cg].edges.data())
enlaces_fm = 0 # Ponemos en cero el contador de enlaces cruzados
# Recorremos los enlaces y nos fijamos cual de ellos es del tipo f-m:
for i in range(0,len(enlaces)):
genero1 = Comunity_graphs[cg].nodes[enlaces[i][0]]['gender']
genero2 = Comunity_graphs[cg].nodes[enlaces[i][1]]['gender']
if (genero1 != genero2) & (genero1 is not float) & (genero2 is not float):
enlaces_fm += 1 # Incrementamos el contador si los generos son diferentes
Enlaces_fm_comunidad.append(enlaces_fm) # Guardamos la cantidad de enlaces f-m en cada iteración
Enlaces_fm_comunidades.append(Enlaces_fm_comunidad)
# Ahora tenemos una lista Enlaces_fm con la cantidad de enlaces cruzados para N iteraciones
# Recordamos que la primera componente corresponde a la red real
# Valor medio y desviacion standar
mean_enlacesfm = np.mean(Enlaces_fm_comunidad)
mean_enlacesfm_comunidades.append(mean_enlacesfm)
desv_enlacesfm = np.std(Enlaces_fm_comunidad)
desv_enlacesfm_comunidades.append(desv_enlacesfm)
print('Comunidad:{}'.format(cg))
print ('Distribucion de enlaces fm:')
print ('Valor medio(H null): {0:.2f}'.format(mean_enlacesfm))
print ('Desviacion Standar: {0:.2f}'.format(desv_enlacesfm))
print ('Valor Red Real: {0:.2f}'.format(Enlaces_fm_comunidad[0]))
# Histograma y p-valor:
histograma = np.unique(Enlaces_fm_comunidad,return_counts=True)
histogramas_comunidades.append(histograma)
k_enlacesfm = histograma[0] # El vector cantidad de enlaces fm, ordenado
probabilidad = histograma[1]/float(num_asignaciones) # Cantidad de veces que aparece cada valor de enlaces, normalizado
# p-valor: la probabilidad que queda acumulada a la izq del numero de enlaces_fm de la red real
# Buscamos el k_enlacesfm mas cercano al de la red real
closestto = Enlaces_fm_comunidad[0]
theclosest = min(histograma[0], key=lambda x:abs(x-closestto)) # devuelve el k_enlacesfm más cercano al valor real
theclosest_index = int(np.where(histograma[0] == theclosest)[0]) # devuelve el indice correspondiente al valor anterior
# Sumamos las probabilidades desde el mas cercano hasta el ultimo hacia la derecha
pvalue=1-np.sum(probabilidad[theclosest_index :])
pvalue_comunidades.append(pvalue)
print ('p valor: {0:.4f}'.format(pvalue))
plt.figure(cg)
#markerline, stemlines, baseline=plt.stem(k_enlacesfm,probabilidad,colores[cg],markerfmt='o',basefmt='k', label='Hnull')
#plt.setp(stemlines, 'color', colores[cg])
#plt.setp(stemlines, 'linestyle', '-')
#plt.setp(stemlines,'linewidth',12)
#plt.setp(markerline, 'color', colores[cg])
bins=np.arange(min(Enlaces_fm_comunidad)-1.5,max(Enlaces_fm_comunidad)+1.5,1)
plt.hist(Enlaces_fm_comunidad,bins=bins,color=colores[cg],linewidth=1.5,edgecolor='black',label='Red recableada',alpha=0.8,normed=1,rwidth=0.5)
plt.axvline(Enlaces_fm_comunidad[0], c=colores[cg],label='Red real') # Linea vertical en el valor de la red real
plt.xlabel('Numero de enlaces fm')
plt.ylabel('Probabilidad')
plt.title('Analisis de homofilia \n Comunidad: {}'.format(colores[cg]))
plt.legend()
#plt.savefig(outfolder+'comunidad_'+colores[cg]+'_homofilia.png')
plt.show()
#b)Calculando la asortatividad(modularidad) segun la variable categorica genero dentro de cada
#comunidad.
#Delfines sin genero
delfines=[d for i,d in enumerate(Gender[0]) if type(Gender[1][i]) is not float]
genero=[g for i,g in enumerate(Gender[1]) if type(Gender[1][i]) is not float]
delfines_remove= [d for i,d in enumerate(Gender[0]) if type(Gender[1][i]) is float]
# A cada uno de los nodos se le agrega el genero y ademas eliminamos los delfines sin genero:
for d,g in zip(delfines,genero):
mydolphins.add_node(d, gender=g)
for d in delfines_remove:
mydolphins.remove_node(d)
#Grafos de cada comunidad
Comunity_graphs_congeneros=[]
for i,icom in enumerate(comunidades):
Comunity_graph=copy.deepcopy(mydolphins)
for j,jcom in enumerate(comunidades):
if j!=i:
Comunity_graph.remove_nodes_from(jcom)
Comunity_graphs_congeneros.append(Comunity_graph)
modularidad_genero_comunidades=[]
for c,com in enumerate(comunidades):
delfines_comunidad=np.sort(list(set(com).intersection(set(delfines)))) #solo os que tienen genero
#Matriz de Adyacencias Aij:
A = np.array(nx.to_numpy_matrix(mydolphins,nodelist=delfines_comunidad))
N=len(delfines_comunidad) #numero de nodos en la comunidad
m=Comunity_graphs_congeneros[c].number_of_edges() #numero de enlaces en la comunidad
grado = dict(Comunity_graphs_congeneros[c].degree(nbunch=delfines_comunidad))
#Matriz de variable categorica genero: Cij=delta(ci,cj)
C=np.zeros(np.shape(A))
for ni, idelfin in enumerate(delfines_comunidad):
for nj, jdelfin in enumerate(delfines_comunidad):
if mydolphins.nodes[idelfin]['gender']==mydolphins.nodes[jdelfin]['gender']:
if ni != nj: #la diagonal debe permanecer nula
C[ni,nj]=1
#Calculo de la modularidad
#Q/Qmax=(S1-S2)/(2m-S2)
#S1=Suma en nodos (Aij*Cij)
#S2=Suma en nodos(kikj*Cij/2m)
S1=0
S2=0
for ni, idelfin in enumerate(delfines_comunidad):
for nj, jdelfin in enumerate(delfines_comunidad):
S1=S1+A[ni,nj]*C[ni,nj]
suma=grado[idelfin]*grado[jdelfin]*C[ni,nj]
S2=S2+suma
S2=S2/(2*m)
mod=(S1-S2)/(2*m-S2)
modularidad_genero_comunidades.append(mod)
#Output
'''
for c,comu in enumerate(comunidades):
output={}
output['histograma']=list(histogramas_comunidades[c])
output['comunidad']=colores[c]
output['enlaces_fm_hist']=Enlaces_fm_comunidades[c]
output['enlaces_fm_mean']=mean_enlacesfm_comunidades[c]
output['enlaces_fm_desv']=desv_enlacesfm_comunidades[c]
output['pvalor']=pvalue_comunidades[c]
output['modularidad_genero']=modularidad_genero_comunidades[c]
df = pd.DataFrame.from_dict(output, orient="index")
df.to_csv(outfolder+'comunidad_'+colores[c]+'_homofilia.txt',sep='\t')
'''