网络是由一些紧密相连的节点组成的，并且根据不同节点之间连接的紧密程度，网络也可视为由不同簇组成。簇内的节点之间有着更为紧密的连接，不同簇之间的连接则相对稀疏。这种簇被称为网络中的社区结构(community structure)。

　　由此衍生出来的社区发现(community detection)算法用来发现网络中的社区结构，这类算法包括 Louvain 算法、Girvan-Newman 算法以及 Bron-Kerbosch 算法等。

　　最近，在 GitHub 上发现了一个可以发现图中社区结构的 Python 库 communities，该库由软件工程师 Jonathan Shobrook 创建。

　　项目地址：https://github.com/shobrook/communities

　　首先，该库可以实现以下几种社区发现算法：

　　Louvain 算法

　　Girvan-Newman 算法

　　层次聚类

　　谱聚类

　　Bron-Kerbosch 算法

　　其次，用户还可以使用 communities 库来可视化上述几种算法。

　　该库的安装方法也非常简单，可采用 pip 的方式安装 communities，代码如下：

　　对于这个 Python 库，很多网友给予了高度评价，表示会去尝试。

　　算法详解

　　1、Louvain 算法

　　该算法来源于文章《Fast unfolding of communities in large networks》，简称为 Louvian。

　　作为一种基于模块度(Modularity)的社区发现算法，Louvain 算法在效率和效果上都表现比较好，并且能够发现层次性的社区结构，其优化的目标是最大化整个图属性结构(社区网络)的模块度。

　　Louvain 算法对最大化图模块性的社区进行贪婪搜索。如果一个图具有高密度的群体内边缘和低密度的群体间边缘，则称之为模图。

　　示例代码如下：

　　2、Girvan-Newman 算法

　　该算法来源于文章《Community structure in social and biological networks》。

　　Girvan-Newman 算法迭代删除边以创建更多连接的组件。每个组件都被视为一个 community，当模块度不能再增加时，算法停止去除边缘。

　　示例代码如下：

　　3、层次聚类

　　层次聚类实现了一种自底向上、分层的聚类算法。每个节点从自己 的社区开始，然后，随着层次结构的建立，最相似的社区被合并。社区会一直被合并，直到在模块度方面没有进一步的进展。

　　示例代码如下：

　　4、谱聚类

　　这种类型的算法假定邻接矩阵的特征值包含有关社区结构的信息。

　　示例代码如下：

　　5、Bron-Kerbosch 算法

　　Bron-Kerbosch 算法实现用于最大团检测(maximal clique detection)。图中的最大团是形成一个完整图的节点子集，如果向该子集中添加其他节点，则它将不再完整。将最大团视为社区是合理的，因为团是图中连接最紧密的节点群。因为一个节点可以是多个社区的成员，所以该算法有时会识别重叠的社区。

　　示例代码如下：

　　可视化

　　绘图

　　可视化图(graph)，将节点分组至它们所属的社区和颜色编码中。返回代表绘图的 matplotlib.axes.Axes。示例代码如下：

　　可视化图如下：

　　Louvain 算法的动图展示

　　Louvain 算法在图中的应用可以实现动图展示，其中每个节点的颜色代表其所属的社区，并且同一社区中的节点聚类结合在一起。

　　示例代码如下：