在R的igraph中用Louvain社区检测：边与顶点格式疑问

Hey there! 看你已经搞定了相关矩阵转距离矩阵的步骤，接下来我带你一步步完成igraph里的Louvain社区检测，全程用你现有的数据来操作：

因为igraph的社区检测算法（包括Louvain）通常基于加权的连接强度来划分社区，而你的距离矩阵是0-2的取值（值越小代表个体越相似），所以我们先把距离转换为「权重」——让相似的个体之间有更高的连接权重：

# 把0-2的距离转换为0-2的权重（距离越小，权重越高）
weight_matrix <- 2 - distancematrix

# 构建无向加权图：mode设为undirected因为相关性是双向的，diag=FALSE去掉自环
g <- graph_from_adjacency_matrix(weight_matrix, mode = "undirected", weighted = TRUE, diag = FALSE)

你可以用summary(g)检查图是否正确：400个节点的无向图，应该有79800条边（400*399/2），如果你的距离矩阵是全连接的话。

igraph包里直接提供了cluster_louvain()函数，专门用来实现Louvain算法，它会自动基于图的权重优化模块度（社区划分的核心指标）：

# 执行Louvain社区检测
louvain_comm <- cluster_louvain(g)

如果你的需求特殊，也可以通过weights参数手动指定权重列，比如weights = E(g)$weight，不过默认就是用图的权重，所以这里不用额外设置。

得到社区划分后，你可以用这些命令查看结果：

• 查看每个社区的成员数量：

sizes(louvain_comm)

• 查看每个个体对应的社区标签（返回一个长度为400的向量，每个元素是该个体的社区ID）：

membership(louvain_comm)

• 可视化社区划分（400个节点有点密集，所以调整下参数让图更清晰）：

plot(louvain_comm, g, vertex.size = 3, vertex.label = NA, edge.width = 0.5)

这里vertex.label = NA是去掉节点标签避免杂乱，vertex.size和edge.width调小来适配大量节点的图。

• 如果你不想转换权重，直接用距离矩阵构建图也可以，但要注意：Louvain算法默认最大化模块度，而距离是「相似性的反向」，所以直接用距离的话相当于把“距离远”当成“连接紧密”，结果会完全相反，所以转换为权重是更合理的选择。
• 如果你想验证社区划分的质量，可以用modularity(louvain_comm)查看模块度值——值越接近1，代表社区划分的效果越好。
• 如果你的距离矩阵不是全连接的（比如有一些距离值是NA或者你想过滤弱连接），可以先对weight_matrix做阈值处理，比如只保留权重>0.5的连接：

weight_matrix[weight_matrix <= 0.5] <- 0
g <- graph_from_adjacency_matrix(weight_matrix, mode = "undirected", weighted = TRUE, diag = FALSE)

内容的提问来源于stack exchange，提问作者A.Robin