#install.packages("igraph")
library(igraph)
library(networkD3)
library(readxl)
library(scales)
library(ggplot2)

# Leitura dos dados da rede =====================================

# Vertices (data.frame contendo informacoes dos vertices)
nos <- read_excel("ex1.xlsx",sheet = "nos")
# Arestas (data.frame contendo informacoes das arestas)
arestas <- read_excel("ex1.xlsx",sheet = "arestas")

# Obtendo o grafo a partir dos data.frames
ex1 <- graph.data.frame(arestas,directed=FALSE, vertices=nos)
ex1

# Propriedades dos vertices
V(ex1)
V(ex1)$name  # Mesmo que id
V(ex1)$label

# Propriedades das arestas
E(ex1)$weight
E(ex1)$type

# Plot da rede
plot(ex1)

# Calculando o grau de cada vertice
degree(ex1)
V(ex1)$grau <-  degree(ex1)
V(ex1)$grau

# Obtendo clusters:
cluster <- cluster_edge_betweenness(ex1)
V(ex1)$grupos <- membership(cluster)
V(ex1)$grupos

# Definindo cores para cada vertice ##########################
# Cores de acordo com a Categoria ----------------------------
#colrs <- c("gray50", "tomato", "gold")
cores <- rainbow(7)
V(ex1)$cores <- cores[V(ex1)$grupos]
V(ex1)$tamanho <- V(ex1)$grau+1

#Plotar o Grafo:
plot(ex1, vertex.size = V(ex1)$tamanho*5,vertex.color= V(ex1)$cores,
     vertex.label = "")

plot(ex1, vertex.size = V(ex1)$tamanho*6,vertex.color= V(ex1)$cores)

#
# Layout Kamada Kawai ----------------------------------------
L.kk <- layout_with_kk(ex1)
plot(ex1, layout=L.kk,vertex.size = V(ex1)$tamanho*6,
     vertex.color= V(ex1)$cores)

# Layout Circular ----------------------------------------
L.circ <- layout.circle(ex1)
plot(ex1, layout=L.circ,vertex.size = V(ex1)$tamanho*6,
     vertex.color= V(ex1)$cores)

# Fruchterman-Reingold
set.seed(567)
L.fr <- layout_with_fr(ex1)
plot(ex1, layout=L.fr,vertex.size = V(ex1)$tamanho*6,
     vertex.color= V(ex1)$cores)

# Leyout dinamica com NetworkD3
ex1D3 <- igraph_to_networkD3(ex1,what = 'both', group = V(ex1)$grupos)
ex1D3$links$value <- 1
ex1D3$nodes$label <- V(ex1)$label

forceNetwork(Links = ex1D3$links, Nodes = ex1D3$nodes, Group = 'group',
             Value = "value", NodeID = "label", opacity = 0.9,zoom = TRUE)

# Deteccao de comunidades

# Evidenciar as comunidades
dendPlot(cluster, mode="hclust")
set.seed(123)
plot(cluster, ex1)

set.seed(567)
plot(cluster,ex1, layout=L.kk,vertex.size = V(ex1)$tamanho*6,
     vertex.color= V(ex1)$cores)

################################################################

# Estudo do grau dos vertices
grau <- V(ex1)$grau
grau <- sort(grau)
df.grau <- as.data.frame(grau)
df.grau
df.grau$acumulada <- 1
N <- nrow(df.grau)
for (i in 1:N) {
  df.grau[i,2] <- (2*i-1)/(2*N)
}
df.grau$complementar <- 1-df.grau$acumulada
df.grau

plot(df.grau$grau,df.grau$complementar)

ggplot(df.grau) +
  geom_point(aes(grau,complementar)) +
  scale_x_log10(breaks = trans_breaks("log10", function(x) 10^x),
                labels = trans_format("log10", math_format(10^.x))) +
  scale_y_log10(breaks = trans_breaks("log10", function(x) 10^x),
                labels = trans_format("log10", math_format(10^.x))) +
  coord_flip() +
    theme_light()


# Distribuicao de Graus:
d1 = degree.distribution(ex1, cumulative=FALSE)
len = length(d1)
barplot(d1, main="Distribuição de Graus",xlab="Graus", 
        ylab="Função densidade de probabilidade (pdf)", 
        names.arg=c(0:(len-1)))

# Closeness Vertices: apenas para a maior componente
comp <- components(ex1)
V(ex1)$componente <- comp$membership

# considerando apenas a componente 3
ex1.gc <- delete_vertices(ex1, V(ex1)$componente != 3) 
ex1.gc

# Calculo de closeness
cl = closeness(ex1.gc)
cl

# Betweenness (para vertices):
b = betweenness(ex1.gc)
b

# Betweenness Arestas:
eb = edge.betweenness(ex1.gc)
eb


# Outros algoritmos para deteccao de comunidades ====================
# Considerando apenas a componente gigante (GC) ex1.gc

# edge betweenness --------------------------------------------------
ebc <- cluster_edge_betweenness(ex1.gc)
modularity(ebc)

grupos.eb = cbind(membership(ebc),V(ex1.gc)$label)
grupos.eb
#
# walktrap: deteccao de comunidades por passeio aleatorio -----------
wtc <- cluster_walktrap(ex1.gc) 
modularity(wtc)
grupos.wt = cbind(membership(wtc),V(ex1.gc)$label)
grupos.wt
#
# fast_greedy (executar apenas para mmultiplas arestas) -------------
fgc <- cluster_fast_greedy(ex1.gc)
modularity(fgc)
grupos.fg = cbind(membership(fgc),V(ex1.gc)$label)
grupos.fg