如何用leidenalg库获取igraph图指定数量（15个）的社区？

leidenalg本身没有直接指定目标社区数量的参数，但可以通过以下两种可靠方法实现：

方法一：调整分辨率参数（间接但高效） #

Leiden算法的社区划分结果受**分辨率参数（resolution_parameter）**直接影响：参数值越高，社区划分越精细（数量越多）；值越低，社区越聚合（数量越少）。你可以通过调试这个参数，找到能得到15个社区的合适值。

以模块化分区为例，代码示例：

import leidenalg as la
import igraph as ig

# 假设G是你的igraph图对象
# 逐步调整resolution_parameter的值，直到len(partition)等于15
partition = la.find_partition(
    G,
    la.ModularityVertexPartition,
    resolution_parameter=0.05  # 初始值，根据实际结果调整
)
print(len(partition))  # 检查当前社区数量，调整参数后重试

如果使用CPM（Constant Potts Model）分区，分辨率参数的作用更直观，适合精准控制社区数量：

partition = la.find_partition(
    G,
    la.CPMVertexPartition,
    resolution_parameter=0.01  # 调整此值
)

方法二：合并初始分区到指定数量（直接但耗时） #

先获取初始的社区分区，然后迭代合并模块化增益最大的社区对，直到社区数量减少到15。这种方法适合需要精准控制数量，且图规模不是极大的场景。

代码示例：

initial_partition = la.find_partition(G, la.ModularityVertexPartition)

# 合并社区直到数量为15
while len(initial_partition) > 15:
    best_gain = -float('inf')
    best_pair = None
    # 遍历所有社区对，找到合并后模块化增益最大的一对
    for i in range(len(initial_partition)):
        for j in range(i + 1, len(initial_partition)):
            current_gain = initial_partition.gain_of_merge(i, j)
            if current_gain > best_gain:
                best_gain = current_gain
                best_pair = (i, j)
    # 执行合并
    if best_pair:
        initial_partition.merge_communities(best_pair[0], best_pair[1])

# 此时initial_partition的社区数量为15
print(len(initial_partition))

注意：如果你的图规模极大（比如百万级节点），方法二的双重循环会比较耗时，优先选择方法一调试分辨率参数。

内容的提问来源于stack exchange，提问作者Arash Mohamadpour