Curso Intermediário: Módulo 4

library(igraph)

# CARREGANDO DADOS ARQUIVO CSV E PLOTANDO REDE

arquivo= read.csv("REDE.csv")

rede= graph_from_data_frame(arquivo, vertices= NULL)

plot(rede) 

# ANALISANDO A REDE

# DEGREE (GRAUS)

degree(rede) 

degree(rede, mode = 'all')

degree(rede, mode = 'in')

degree(rede, mode = 'out')

# INTERMEDIACAO

# intermediacao( pontes entre individuos= INTERMEDIACAO)

# mede os individuos que controlam o fluxo pela rede

betweenness(rede)

#DENSIDADE

# mede a densidade( numero de conexos/ numero de possiveis conexoes)

# uma rede completa tem densidade igual a 1 

edge_density(rede, loops = F)

# NUMERO DE CLIQUES

# clique eh um sub-conjunto de uma rede onde os atores estao mais proximo 

# e intensamente conectados

clique_num(rede)

# mostra os subgraficos com no minino 3 nodes

cliques(rede, min = 3)

# IDENTIFICANDO VERTICES E EDGES

V(rede)

E(rede)

str(V(rede))

str(E(rede))

# CRIANDO UM HISTOGRAMA DOS GRAUS DOS NOS

graus =  degree(rede)

str(graus)

class(graus)

# grafico de barras dos nos

degree(rede) 

barplot(graus,col= "green", main= "Grafico de barras",

     xlab = "Nos", ylab= "Graus")

# histograma

# mostra quantos nos tem por de 1 a 2 graus, de 2 a 4 etc

hist(graus,col= "green", main= "Histograma dos graus do nos",

        xlab = "Graus", ylab= "Numero de nos")

# MELHORANDO A VISUALIZACAO DA REDE mostrando os graus

plot(rede,

     vertex.color= rainbow(52),

     vertex.size = graus*10,

     edge.color= "blue",

     edge.arrow.size= 0.5)

# hubs e authorities

# hubs mede o numero de links de saida

# exemplo: uma webpage com um grande numero de links para outras paginas

hs = hub_score(rede)$vector

hs

# hubs mede o numero de links entrada

# exemplo: uma webpage apontada por varia outras webpages

as= authority.score(rede)$vector

as

# plotando hubs

plot(rede,vertex.size = hs*30, main= "Hubs",

     vertex.color= rainbow(52), layout =layout.kamada.kawai)

# plotando autorities

# autorities sao os nos mais apontados

plot(rede,vertex.size = as*30, main= "Autoridades",

 vertex.color= rainbow(52), layout =layout.kamada.kawai)

# ENCONTRANDO COMUNIDADES ( NOS DENSAMENTE LIGADOS)

comunidades = cluster_edge_betweenness(rede)

plot(comunidades, rede)

# melhorando

plot(comunidades, rede)

library(dplyr)

# Referencia: Statistics Globe

df1 <- data.frame(ID = 1:2,                      

                    X1 = c("a1", "a2"),

                    stringsAsFactors = FALSE)

df2 <- data.frame(ID = 2:3,                     

                    X2 = c("b1", "b2"),

                    stringsAsFactors = FALSE)

str(df1)

# busca os dados das linhas que estao em ambos data frames

df.inner_join = inner_join(df1, df2, by = "ID")   

# toma como referencia as linhas do primeiro data frame

df.left_join = left_join(df1, df2, by = "ID")  

# toma como referencia as linhas do segundo data frame

df.right_join = right_join(df1, df2, by = "ID") 

# junta os dados dos dois 

df.full_join = full_join(df1, df2, by = "ID") 

# semi_join: retorna todas a linhas de df1 cujo ID tb esta´em df2

df.semi_join = semi_join(df1, df2, by = "ID") 

# anti_join: retorna todas a linhas de df1 cujo ID tb NAO esta´em df2

df.anti_join = anti_join(df1, df2, by = "ID")