Metadata-Version: 2.1
Name: module-control
Version: 0.2.0
Summary: A Python package for network analysis including dominating sets and controllability.
Home-page: https://github.com/realfty/module-control
License: MIT
Author: Fan Tianyi
Author-email: fantianyi@stu.njmu.edu.cn
Requires-Python: >=3.8,<4.0
Classifier: License :: OSI Approved :: MIT License
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.8
Classifier: Programming Language :: Python :: 3.9
Classifier: Programming Language :: Python :: 3.10
Classifier: Programming Language :: Python :: 3.11
Classifier: Programming Language :: Python :: 3.12
Requires-Dist: matplotlib (>=3.4.0,<4.0.0)
Requires-Dist: networkx (>=2.6.0,<3.0.0)
Requires-Dist: numpy (>=1.21.0,<2.0.0)
Requires-Dist: pandas (>=1.3.0,<2.0.0)
Requires-Dist: python-louvain (>=0.15,<0.16)
Requires-Dist: scikit-learn (>=1.0,<2.0)
Requires-Dist: scipy (>=1.7.0,<2.0.0)
Requires-Dist: seaborn (>=0.12.0,<0.13.0)
Project-URL: Documentation, https://github.com/realfty/module-control
Project-URL: Repository, https://github.com/realfty/module-control
Description-Content-Type: text/markdown

README.md

# 模块控制

模块控制 (`module-control`) 是一个用于网络分析的 Python 包，涵盖了支配集（dominating sets）和可控性分析等功能。通过此包，用户可以轻松地进行网络建模、分析、可视化以及结果的保存与导出。

## 特色

- 网络建模：基于部分相关矩阵构建网络图。
- 网络分析：计算网络的度量指标，如中心性、聚类系数等。
- 社区检测：使用 Louvain 算法进行社区划分。
- 支配集计算：支持精确算法和贪心算法计算最小支配集。
- 可控性分析：分析模块间的控制强度。
- 可视化：生成部分相关矩阵热力图、带社区划分的网络图和模块控制图。
- 结果保存：将分析结果保存为 CSV 和 TXT 文件，便于后续使用。

## 安装

使用 `pip` 安装 `module-control`：

```bash
pip install module-control
```
或者使用 `Poetry` 安装：

```bash
poetry add module-control
```
## 使用示例

以下是一个使用 `module-control` 包的完整示例，展示如何进行网络分析和可视化。

### 1. 准备数据

确保你的数据文件（例如 `test.csv`）位于指定的目录中。数据文件应为 CSV 格式，每行代表一个数据点，每列代表一个变量。

### 2. 创建并运行 `main.py`

创建一个 `main.py` 文件，并编写以下代码：

```
# main.py

import os
import pandas as pd
import numpy as np
import networkx as nx
from sklearn.covariance import GraphicalLasso
import community  # python-louvain

from module_control_pkg import (
    matrix_preprocess,
    all_min_dominating_set,
    network_analysis,
    module_controllability,
    plot_network,
    plot_heatmap,
    plot_module,
    save_network_metrics,
    save_edges,
    save_controllability,
    save_dominating_sets,
    ensure_directory_exists,
    greedy_minimum_dominating_set,
    dominating_frequency
)

def main():
    ## 文件路径，要计算的数据的文件夹
    data_path = "D:/module-control/"
    ## 文件路径，文件要保存到的文件夹
    result_path = "D:/module-control/results/"
    ## 要计算的网络名字
    data_file = "test"

    # 确保结果目录存在
    ensure_directory_exists(result_path)

    # 读取csv,生成pd
    pd_data = pd.read_csv(data_path + data_file + ".csv")
    print("数据读取完成。")

    # 计算网络模型，返回矩阵
    ################ 可选参数1 ###################
    ## GraphicalLassoCV()使用交叉验证自动确定alpha
    # estimator = GraphicalLassoCV()
    ## GraphicalLasso()需要给定参数alpha，默认alpha=0.01，alpha越大网络越稀疏
    estimator = GraphicalLasso(alpha=0.05)
    estimator.fit(pd_data)
    print(estimator.precision_)
    print(estimator.precision_.shape)
    #### 精准矩阵要进行处理，从逆协方差变成偏相关
    # 将精度矩阵对角线元素开根号
    diag_sqrt = np.sqrt(np.diag(estimator.precision_))
    # 计算偏相关矩阵
    partial_corr_matrix = -estimator.precision_ / np.outer(diag_sqrt, diag_sqrt)
    # 将对角线元素设置为1
    np.fill_diagonal(partial_corr_matrix, 1)
    print(partial_corr_matrix)
    print("部分相关矩阵计算完成。")
    
    # 预处理矩阵
    matrix = matrix_preprocess(partial_corr_matrix)
    print("矩阵预处理完成。")
    
    # 生成网络
    nxG = nx.Graph(matrix, weight=True)
    print("网络图生成完成。")
    
    # 网络分析
    metrics = network_analysis(nxG)
    print("网络分析完成：")
    for key, value in metrics.items():
        print(f"{key}: {value}")
    
    # 社区划分
    louvain_communities = community.best_partition(nxG)
    print("社区划分完成。")
    
    # 最小支配集
    # all_dom_set, strengths = all_min_dominating_set(nxG)
    # algorithm = "precise"
    # print(f"找到 {len(all_dom_set)} 个最小支配集。")
    # 贪心算法
    all_dom_set = greedy_minimum_dominating_set(nxG, times=1000)
    algorithm = "greedy"
    print(f"贪心算法找到的最小支配集: {all_dom_set}")

    # 计算支配集频率
    as_dom_node_count = dominating_frequency(all_dom_set, nxG)
    print("支配集频率计算完成。")

    # 可控性分析
    controllability = module_controllability(nxG, all_dom_set, louvain_communities)
    print("可控性分析完成。")

    # 保存结果
    # 1. 保存网络度量指标
    # 需要将 'module' 和 'CF' 添加到度量结果中
    metrics["module"] = {node: louvain_communities[node] for node in metrics["degree"].keys()}
    metrics["CF"] = as_dom_node_count
    save_network_metrics(metrics, louvain_communities, as_dom_node_count, result_path, data_file)
    print("网络度量指标已保存。")

    # 2. 保存边权值
    save_edges(nxG, result_path, data_file)
    print("边权值已保存。")

    # 3. 保存模块间的平均控制强度
    save_controllability(controllability, result_path, data_file)
    print("模块间的平均控制强度已保存。")

    # 4. 保存最小支配集结果
    save_dominating_sets(all_dom_set, result_path, data_file)
    print("最小支配集结果已保存。")

    # 可视化
    plot_network(nxG, louvain_communities, result_path, "network_graph")
    plot_heatmap(partial_corr_matrix, result_path, "partial_corr_matrix")
    plot_module(controllability, louvain_communities, result_path, data_file)
    print(f"网络图、热力图和模块控制图已保存至 {result_path} 目录。")

if __name__ == "__main__":
    main()
```

### 3. 绘制模块控制图

使用 plot_module 函数绘制模块间的平均控制强度图。

```bash
from module_control_pkg import plot_module

# 控制强度字典示例
controllability = {
    "0_1": 0.5,
    "0_2": 0.6,
    "1_2": 0.7,
    "1_3": 0.8,
    "2_3": 0.4,
    "3_0": 0.3
}

# 社区划分字典示例
louvain_communities = {
    0: 0,
    1: 0,
    2: 1,
    3: 1
}

# 绘制模块控制图
plot_module(controllability, louvain_communities, "results", "test")
```

### 4. 运行 `main.py`

在命令行中导航到包含 `main.py` 的目录，然后运行：

```bash
python main.py
```

运行完成后，结果将保存在 `D:/module-control/results/` 目录下，包括：

- `test_metrics.csv`：包含节点的中心性和其他指标
- `test_edges.csv`：包含边的权重
- `test_controllability.csv`：包含模块间的平均控制强度
- `test_dominating_sets.txt`：包含最小支配集结果
- `network_communities_test.png`：带社区划分的网络图
- `heatmap_test.png`：部分相关矩阵热力图

## 使用流程

1. **安装包**：

    ```bash
    pip install module-control
    ```

2. **准备数据**：

    - 准备一个 CSV 文件，每行代表一个数据点，每列代表一个变量。

3. **编写脚本**：

    - 使用 `module-control` 提供的函数进行网络分析和可视化。
    - 参考上述 `main.py` 示例进行编写。

4. **运行脚本**：

    ```bash
    python main.py
    ```

## 示例代码

以下是一些常用功能的示例代码，帮助你快速上手，更多代码请参考main.py：

### 1. 读取数据并计算部分相关矩阵

```python
import pandas as pd
import numpy as np
from sklearn.covariance import GraphicalLasso
from module_control_pkg import ensure_directory_exists

# 设置路径
# 文件路径，要计算的数据的文件夹
# 示例：data_path = "D:/module-control/"
data_path = "********************* insert you data path *********************"`
# 文件路径，文件要保存到的文件夹
# 示例：result_path = "D:/module-control/results/"
result_path = "********************* insert you result path *********************"
# 要计算的网络名字
# 示例：data_file = "test"
data_file = "********************* insert you network name to calculate *********************"
# 确保结果目录存在
ensure_directory_exists(result_path)

# 读取数据
pd_data = pd.read_csv(os.path.join(data_path, f"{data_file}.csv"))

# 计算部分相关矩阵
estimator = GraphicalLasso(alpha=0.05)
estimator.fit(pd_data)
partial_corr_matrix = -estimator.precision_ / np.outer(np.sqrt(np.diag(estimator.precision_)), np.sqrt(np.diag(estimator.precision_)))
np.fill_diagonal(partial_corr_matrix, 1)
```

### 2. 生成网络图并进行社区划分

```python
import networkx as nx
import community  # python-louvain
from module_control_pkg import network_analysis, plot_network

# 生成网络
nxG = nx.from_numpy_array(partial_corr_matrix)

# 网络分析
metrics = network_analysis(nxG)

# 社区划分
louvain_communities = community.best_partition(nxG)

# 可视化网络
plot_network(nxG, louvain_communities, result_path, "network_graph")
```

### 3. 计算并保存最小支配集

```python
from module_control_pkg import greedy_minimum_dominating_set, save_dominating_sets

# 计算最小支配集
all_dom_set = greedy_minimum_dominating_set(nxG, times=1000)

# 保存最小支配集
save_dominating_sets(all_dom_set, result_path, "dominating_sets")
```

## 贡献

欢迎提交问题（Issues）和拉取请求（Pull Requests）！如果你有新的功能建议或发现了 bug，请随时告知。

## 许可证

本项目采用 MIT 许可证。详见 [LICENSE](LICENSE) 文件。

## 联系方式

如有任何问题或建议，请联系 (mailto:fty1730935466@gmail.com)。

---

感谢使用 `module-control`！希望此工具能助你在网络分析领域取得更大的成果。

