igraph模块化计算差异解析：2021年10月前后的不同表现

在igraph中使用cluster_fast_greedy算法对空手道网络（karate）聚类得到结果karfg时，直接调用modularity(karfg)得到模块化值0.4345215，而使用已弃用的modularity(kar, membership(karfg))得到值0.3990796。这种差异并非fastgreedy算法特有，其他社区检测方法也存在该问题。

代码示例 #

library(igraph)
library(igraphdata)
data(karate)
kar <- karate
karfg <- cluster_fast_greedy(karate)

modularity(kar, membership(karfg))
# 输出：0.3990796
modularity(karfg)
# 输出：0.4345215

差异成因 #

• 算法内置信息的利用不同：cluster_fast_greedy这类社区检测算法在运行过程中，会记录层次聚类的中间状态数据（比如每一步合并社区时的权重、边贡献信息）。直接调用modularity(karfg)时，函数会复用这些算法内部存储的专属数据来计算模块化；而弃用的modularity(kar, membership(karfg))只基于最终的社区成员划分结果，用通用模块化公式重新计算，完全没用到算法运行时的中间信息，计算基础不一样，结果自然有差。
• 计算逻辑的适配性差异：igraph中针对communities类型对象的modularity方法，是和对应的社区检测算法绑定设计的，计算逻辑会匹配算法的核心逻辑（比如fastgreedy是基于模块化增量最大化来合并社区，计算时会沿用这个逻辑的计数、权重处理方式）；而全局modularity函数是通用版本，不管你用什么算法得到的社区划分，都套用同一套标准公式，两者的处理细节不同，导致数值偏差。
• 无向边的计数方式不同：空手道网络是无向图，cluster_fast_greedy内部可能将每条无向边当作两条单向边来统计社区内部的边数；而全局modularity函数是按无向边的标准规则统计（每条边只算一次），这种计数方式的差异也会造成模块化值的不同。

内容的提问来源于stack exchange，提问作者Gesine Reinert