COMMunication
RESearch.NET

User Tools

Site Tools

You are here: index » krackhardt_datasets
Trace: • data_science_from_scratch • extracting_variable_names_and_lables • krackhardt_datasets • factor_analysis_examples
krackhardt_datasets

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
krackhardt_datasets [2019/12/04 07:56] – hkimscilkrackhardt_datasets [2019/12/13 14:11] (current) – hkimscil
Line 2: Line 2:
 Krackhardt dataset in NetData packages Krackhardt dataset in NetData packages
  
 +====== Analysis of Structural Features with advice and reports to data ======
 <code> <code>
 install.packages("NetData") install.packages("NetData")
Line 64: Line 65:
  
 <code> <code>
-krack_friend <- delete.edges(krack_full, E(krack_full)[E(krack_full)$friendship_tie==0])+krack_friend <- delete_edges(krack_full, E(krack_full)[E(krack_full)$friendship_tie==0])
 summary(krack_friend) summary(krack_friend)
 krack_friend[] krack_friend[]
  
-krack_advice <- delete.edges(krack_full, E(krack_full)[E(krack_full)$advice_tie==0])+krack_advice <- delete_edges(krack_full, E(krack_full)[E(krack_full)$advice_tie==0])
 summary(krack_advice) summary(krack_advice)
 krack_advice[] krack_advice[]
    
-krack_reports_to <- delete.edges(krack_full, E(krack_full)[E(krack_full)$reports_to_tie==0])+krack_reports_to <- delete_edges(krack_full, E(krack_full)[E(krack_full)$reports_to_tie==0])
 summary(krack_reports_to) summary(krack_reports_to)
 krack_reports_to[] krack_reports_to[]
Line 212: Line 213:
  
 <code> <code>
-# Next, we'll use the same procedure to add social-interaction+# Next, we'll use the same procedure to add advice
 # information. # information.
 krack_advice_matrix_row_to_col <- get.adjacency(krack_advice, attr='advice_tie') krack_advice_matrix_row_to_col <- get.adjacency(krack_advice, attr='advice_tie')
Line 225: Line 226:
 krack_advice_matrix <- rbind(krack_advice_matrix_row_to_col, krack_advice_matrix_col_to_row) krack_advice_matrix <- rbind(krack_advice_matrix_row_to_col, krack_advice_matrix_col_to_row)
 krack_advice_matrix krack_advice_matrix
- +</code> 
 + 
 + 
 +<code> 
 +krack_friend_matrix_row_to_col <- get.adjacency(krack_friend, attr='friendship_tie') 
 +krack_friend_matrix_row_to_col 
 + 
 +# To operate on a binary graph, simply leave off the "attr"  
 +# parameter: 
 +krack_friend_matrix_row_to_col_bin <- get.adjacency(krack_friend) 
 +krack_friend_matrix_row_to_col_bin 
 + 
 +# For this lab, we'll use the valued graph. The next step is to  
 +# concatenate it with its transpose in order to capture both  
 +# incoming and outgoing task interactions. 
 +krack_friend_matrix_col_to_row <- t(as.matrix(krack_friend_matrix_row_to_col)) 
 +krack_friend_matrix_col_to_row 
 + 
 +krack_friend_matrix <- rbind(krack_friend_matrix_row_to_col, krack_friend_matrix_col_to_row) 
 +krack_friend_matrix 
 +</code> 
 + 
 + 
 +<code>  
 +# ra (ar)
 krack_reports_to_advice_matrix <- rbind(krack_reports_to_matrix, krack_advice_matrix) krack_reports_to_advice_matrix <- rbind(krack_reports_to_matrix, krack_advice_matrix)
 krack_reports_to_advice_matrix krack_reports_to_advice_matrix
 +
 +# fa
 +krack_friend_advice_matrix <- rbind(krack_friend_matrix, krack_advice_matrix)
 +krack_friend_advice_matrix
 +
 +# fr
 +krack_friend_reports_to_matrix <- rbind(krack_friend_matrix, krack_reprots_to_matrix)
 +krack_friend_reports_to_matrix
 +
 +
 +# far
 +krack_friend_advice_reports_to_matrix <- rbind(krack_friend_advice_matrix, krack_reports_to_matrix)
 +krack_friend_advice_reports_to_matrix
 </code> </code>
 +
  
 <code> <code>
Line 237: Line 276:
 krack_reports_to_advice_cors <- cor(as.matrix(krack_reports_to_advice_matrix)) krack_reports_to_advice_cors <- cor(as.matrix(krack_reports_to_advice_matrix))
 krack_reports_to_advice_cors krack_reports_to_advice_cors
 +
 +krack_friend_advice_cors <- cor(as.matrix(krack_friend_advice_matrix))
 +krack_friend_advice_cors
 +
 +krack_friend_reports_to_cors <- cor(as.matrix(krack_friend_reports_to_matrix))
 +krack_friend_reports_to_cors
 +
 +krack_friend_advice_reports_to_cors <- cor(as.matrix(krack_friend_advice_reports_to_matrix))
 +krack_friend_advice_reports_to_cors
 +
 +
 </code> </code>
  
Line 245: Line 295:
 # or equal to 0; thus, highly dissimilar (i.e., negatively  # or equal to 0; thus, highly dissimilar (i.e., negatively 
 # correlated) actors have higher values. # correlated) actors have higher values.
-dissimilarity <- 1 - krack_reports_to_advice_cors +dissimilarity_ra <- 1 - krack_reports_to_advice_cors 
-krack_reports_to_dist <- as.dist(dissimilarity) +krack_reports_to_advice_dist <- as.dist(dissimilarity_ra) 
-krack_reports_to_dist+krack_reports_to_advice_dist
    
 +dissimilarity_fa <- 1 - krack_friend_advice_cors
 +krack_friend_advice_dist <- as.dist(dissimilarity_fa)
 +krack_friend_advice_dist
 +
 +dissimilarity_rf <- 1 - krack_reports_to_friend_cors
 +krack_reports_to_friend_dist <- as.dist(dissimilarity_rf)
 +krack_reports_to_friend_dist
 +
 +dissimilarity_far <- 1 - krack_friend_advice_reports_to_cors
 +krack_friend_advice_reports_to_dist <- as.dist(dissimilarity_far)
 +krack_friend_advice_reports_to_dist
 +
 +
 +
 # Note that it is also possible to use dist() directly on the  # Note that it is also possible to use dist() directly on the 
 # matrix. However, since cor() looks at associations between  # matrix. However, since cor() looks at associations between 
Line 416: Line 480:
  
 <code> <code>
 +#####################
 +# Questions:
 +# (3) What does clustering of the triadic census afford us? 
 +# What roles do you see? Redo the initial blockmodel analysis
 +# without social interaction (only task) and then compare to 
 +# this solution. Do they differ? 
 +#
 +# Extra credit: Try running the triad census on task AND 
 +# social interaction separately and then correlating persons. 
 +# What result do you get? Is it different from our initial 
 +# blockmodel result? Show your code.  
 +######################
 + 
 + 
 + 
 +###
 +# 5. FACTOR ANALYSIS
 +###
 + 
 +# Note that although we are conducting a principal components
 +# analysis (PCA), which is technically not exactly the same as
 +# factor analysis, we will use the term "factor" to describe the
 +# individual components in our PCA. 
 + 
 +# PCA is often used in network analysis as a form of detecting 
 +# individuals global positioning. We say "global" because these
 +# clusters aren't defined on local cohesion but from the overall 
 +# pattern of ties individuals have with all others (structural 
 +# equivalence). Identifying the first two largest components that
 +# organize the variance in tie patterns is one way of doing this.
 + 
 +# We'll analyze the 4n x n matrix generated above.
 + 
 +# First, we want to determine the ideal number of components
 +# (factors) to extract. We'll do this by examining the eigenvalues
 +# in a scree plot and examining how each number of factors stacks
 +# up to a few proposed non-graphical solutions to selecting the
 +# optimal number of components, available via the nFactors
 +# package. 
 +ev <- eigen(cor(as.matrix(krack_reports_to_advice_matrix))) # get eigenvalues
 +ap <- parallel(subject=nrow(krack_reports_to_advice_matrix),
 +        var=ncol(krack_reports_to_advice_matrix),
 +        rep=100,cent=.05)
 +nS <- nScree(ev$values, ap$eigen$qevpea)
 + 
 +# pdf("6.6_m182_studentnet_task_social_pca_scree.pdf")
 +plotnScree(nS) 
 +
 +# To draw a line across the graph where eigenvalues are = 1,
 +# use the following code:
 +plotnScree(nS) 
 +abline(h=1)
 +# dev.off()
 +
 +
 +# For more information on this procedure, please see 
 +# the references provided in the parallel() documentation
 +# (type "?parallel" in the R command line with the package
 +# loaded).
 +
 +# Now we'll run a principal components analysis on the matrix,
 +# using the number of factors determined above (note this may not
 +# be the same number as you get):
 +pca_krack_reports_to_advice = principal(as.matrix(krack_reports_to_advice_matrix), nfactors=5, rotate="varimax") 
 +
 +# Let's take a look at the results in the R terminal:
 +pca_krack_reports_to_advice 
 +
 +# You can see the standardized loadings for each factor for each
 +# node. Note that R sometimes puts the factors in a funky order
 +# (e.g. RC1, RC2, RC5, RC4, RC3) but all of the factors are there.
 +# You can see that the SS loadings, proportion of variance
 +# explained and cumulative variance explained is provided below. A
 +# Chi Square test of the factors and various other statistics are
 +# provided below. 
 +
 +# Note that the eigenvalues can be accessed via the following
 +# command:
 +pca_krack_reports_to_advice$values
 +
 +# Now we will use the factor loadings to cluster and compare that
 +# to our other NetCluster techniques, using dendrograms.
 +
 +# Take the distance based on Euclidian Distance
 +krack_reports_to_factor_dist = dist(pca_krack_reports_to_advice$loadings)
 +
 +# And cluster
 +krack_reports_to_factor_hclust <- hclust(krack_reports_to_factor_dist)
 +
 +# pdf("6.7_m182_studentnet_task_social_pca_hclust.pdf")
 +plot(krack_reports_to_factor_hclust)
 +# dev.off()
 +
 +# And compare to NetCluster based on correlations and triads:
 +# pdf("6.8_m182_task_cluster_by_correlation_PCA_Triads.pdf")
 +par(mfrow = c(1,2))
 +plot(krack_reports_to_advice_hclust, main = "Correlation")
 +plot(krack_reports_to_factor_hclust, main = "PCA")
 +# plot(m182_task_triad_hclust, main = "Triads")
 +par(mfrow = c(1,1))
 +
 +# dev.off()
 +
 +
 +
 +#####################
 +# Questions:
 +# (4) How do the results across blockmodel techniques differ? 
 +# Why might you use one over the other? Why might you want to 
 +# run more than one in your analyses?
 +#####################
 +</code>
 +
 +====== Analysis based on friendship and advice data ======
 +===== preparation =====
 +<code>
 +install.packages("NetData")
 +# install.packages("igraph")
 +library(NetData)
 +library(igraph)
 +data(package="NetData")
 +data(kracknets, package = "NetData")
 +head(krack_full_data_frame)
 +</code>
 +
 +<code>
 +> head(krack_full_data_frame)
 +  ego alter advice_tie friendship_tie reports_to_tie
 +1   1     1          0              0              0
 +2   1     2          1              1              1
 +3   1     3          0              0              0
 +4   1     4          1              1              0
 +5   1     5          0              0              0
 +6   1     6          0              0              0
 +> 
 +</code>
 +
 +<code>
 +krack_full_nonzero_edges <- subset(krack_full_data_frame, (friendship_tie > 0 | advice_tie > 0 | reports_to_tie > 0))
 +head(krack_full_nonzero_edges)
 +</code>
 +
 +<code>
 +> krack_full_nonzero_edges <- subset(krack_full_data_frame, (friendship_tie > 0 | advice_tie > 0 | reports_to_tie > 0))
 +> head(krack_full_nonzero_edges)
 +   ego alter advice_tie friendship_tie reports_to_tie
 +2    1     2          1              1              1
 +4    1     4          1              1              0
 +8    1     8          1              1              0
 +12   1    12          0              1              0
 +16   1    16          1              1              0
 +18   1    18          1              0              0
 +> 
 +</code>
 +subset function은 ''%%1   10   0    0    0%%'' 와 같은 데이터 열을 제외하려고 사용
 +
 +<code>
 +#################################################
 +# data frame 형식의 krack_full_nonzero_edges 
 +# (원 데이터가 data.frame형식의 
 +# krack_full_data_frame이었음)을 
 +# igraph 포맷의 graph로 변환함 (graph.data.frame)
 +#################################################
 +krack_full <- graph.data.frame(krack_full_nonzero_edges) 
 +summary(krack_full)
 +</code>
 +
 +
 +<code>
 +> krack_full <- graph.data.frame(krack_full_nonzero_edges) 
 +> summary(krack_full)
 +IGRAPH 750f8b3 DN-- 21 232 -- 
 ++ attr: name (v/c), advice_tie (e/n), friendship_tie (e/n), reports_to_tie (e/n)
 +> 
 +</code>
 +
 +===== extracting friend, advice, reports_to graph =====
 +<code>
 +krack_friend <- delete.edges(krack_full, E(krack_full)[E(krack_full)$friendship_tie==0])
 +summary(krack_friend)
 +krack_friend[]
 +
 +krack_advice <- delete.edges(krack_full, E(krack_full)[E(krack_full)$advice_tie==0])
 +summary(krack_advice)
 +krack_advice[]
 + 
 +krack_reports_to <- delete.edges(krack_full, E(krack_full)[E(krack_full)$reports_to_tie==0])
 +summary(krack_reports_to)
 +krack_reports_to[]
 +</code>
 +
 +<code>
 +krack_friend <- delete.edges(krack_full, E(krack_full)[E(krack_full)$friendship_tie==0])
 +> summary(krack_friend)
 +IGRAPH 9c78e3a DN-- 21 102 -- 
 ++ attr: name (v/c), advice_tie (e/n), friendship_tie (e/n),
 +| reports_to_tie (e/n)
 +> krack_friend[]
 +21 x 21 sparse Matrix of class "dgCMatrix"
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +1  . 1 . 1 . . . 1 . . . 1 . . . 1 . . . . .
 +2  1 . . . . . . . . . . . . . . . . 1 . . 1
 +3  . . . . . . . . . . . . . 1 . . . . 1 . .
 +4  1 1 . . . . . 1 . . . 1 . . . 1 1 . . . .
 +5  . 1 . . . . . . 1 . 1 . . 1 . . 1 . 1 . 1
 +6  . 1 . . . . 1 . 1 . . 1 . . . . 1 . . . 1
 +7  . . . . . . . . . . . . . . . . . . . . .
 +8  . . . 1 . . . . . . . . . . . . . . . . .
 +9  . . . . . . . . . . . . . . . . . . . . .
 +10 . . 1 . 1 . . 1 1 . . 1 . . . 1 . . . 1 .
 +11 1 1 1 1 1 . . 1 1 . . 1 1 . 1 . 1 1 1 . .
 +12 1 . . 1 . . . . . . . . . . . . 1 . . . 1
 +13 . . . . 1 . . . . . 1 . . . . . . . . . .
 +14 . . . . . . 1 . . . . . . . 1 . . . . . .
 +15 1 . 1 . 1 1 . . 1 . 1 . . 1 . . . . 1 . .
 +16 1 1 . . . . . . . . . . . . . . . . . . .
 +17 1 1 1 1 1 1 1 1 1 1 1 1 . 1 1 1 . . 1 1 1
 +18 . 1 . . . . . . . . . . . . . . . . . . .
 +19 1 1 1 . 1 . . . . . 1 1 . 1 1 . . . . 1 .
 +20 . . . . . . . . . . 1 . . . . . . 1 . . .
 +21 . 1 . . . . . . . . . 1 . . . . 1 1 . . .
 +> 
 +> krack_advice <- delete.edges(krack_full, E(krack_full)[E(krack_full)$advice_tie==0])
 +> summary(krack_advice)
 +IGRAPH 9c7adf4 DN-- 21 190 -- 
 ++ attr: name (v/c), advice_tie (e/n), friendship_tie (e/n),
 +| reports_to_tie (e/n)
 +> krack_advice[]
 +21 x 21 sparse Matrix of class "dgCMatrix"
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +1  . 1 . 1 . . . 1 . . . . . . . 1 . 1 . . 1
 +2  . . . . . 1 1 . . . . . . . . . . . . . 1
 +3  1 1 . 1 . 1 1 1 1 1 1 1 . 1 . . 1 1 . 1 1
 +4  1 1 . . . 1 . 1 . 1 1 1 . . . 1 1 1 . 1 1
 +5  1 1 . . . 1 1 1 . 1 1 . 1 1 . 1 1 1 1 1 1
 +6  . . . . . . . . . . . . . . . . . . . . 1
 +7  . 1 . . . 1 . . . . 1 1 . 1 . . 1 1 . . 1
 +8  . 1 . 1 . 1 1 . . 1 1 . . . . . . 1 . . 1
 +9  1 1 . . . 1 1 1 . 1 1 1 . 1 . 1 1 1 . . 1
 +10 1 1 1 1 1 . . 1 . . 1 . 1 . 1 1 1 1 1 1 .
 +11 1 1 . . . . 1 . . . . . . . . . . . . . .
 +12 . . . . . . 1 . . . . . . . . . . . . . 1
 +13 1 1 . . 1 . . . 1 . . . . 1 . . . 1 . . .
 +14 . 1 . . . . 1 . . . . . . . . . . 1 . . 1
 +15 1 1 1 1 1 1 1 1 1 1 1 1 1 1 . 1 1 1 1 1 1
 +16 1 1 . . . . . . . 1 . . . . . . . 1 . . .
 +17 1 1 . 1 . . 1 . . . . . . . . . . . . . 1
 +18 1 1 1 1 1 . 1 1 1 1 1 . 1 1 1 1 . . 1 1 1
 +19 1 1 1 . 1 . 1 . . 1 1 . . 1 1 . . 1 . 1 .
 +20 1 1 . . . 1 . 1 . . 1 1 . 1 1 1 1 1 . . 1
 +21 . 1 1 1 . 1 1 1 . . . 1 . 1 . . 1 1 . 1 .
 +> 
 +> krack_reports_to <- delete.edges(krack_full, E(krack_full)[E(krack_full)$reports_to_tie==0])
 +> summary(krack_reports_to)
 +IGRAPH 9c7cb3e DN-- 21 20 -- 
 ++ attr: name (v/c), advice_tie (e/n), friendship_tie (e/n),
 +| reports_to_tie (e/n)
 +> krack_reports_to[]
 +21 x 21 sparse Matrix of class "dgCMatrix"
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +1  . 1 . . . . . . . . . . . . . . . . . . .
 +2  . . . . . . 1 . . . . . . . . . . . . . .
 +3  . . . . . . . . . . . . . 1 . . . . . . .
 +4  . 1 . . . . . . . . . . . . . . . . . . .
 +5  . . . . . . . . . . . . . 1 . . . . . . .
 +6  . . . . . . . . . . . . . . . . . . . . 1
 +7  . . . . . . . . . . . . . . . . . . . . .
 +8  . . . . . . . . . . . . . . . . . . . . 1
 +9  . . . . . . . . . . . . . 1 . . . . . . .
 +10 . . . . . . . . . . . . . . . . . 1 . . .
 +11 . . . . . . . . . . . . . . . . . 1 . . .
 +12 . . . . . . . . . . . . . . . . . . . . 1
 +13 . . . . . . . . . . . . . 1 . . . . . . .
 +14 . . . . . . 1 . . . . . . . . . . . . . .
 +15 . . . . . . . . . . . . . 1 . . . . . . .
 +16 . 1 . . . . . . . . . . . . . . . . . . .
 +17 . . . . . . . . . . . . . . . . . . . . 1
 +18 . . . . . . 1 . . . . . . . . . . . . . .
 +19 . . . . . . . . . . . . . 1 . . . . . . .
 +20 . . . . . . . . . . . . . 1 . . . . . . .
 +21 . . . . . . 1 . . . . . . . . . . . . . .
 +> </code>
 +===== Visualization of the three (friend, advice, reports_to) =====
 +Note that reports to graph looks extremely formal.
 +<code>
 +par(mfrow = c(1,3))
 +krack_friend_layout <- layout.fruchterman.reingold(krack_friend)
 +plot(krack_friend, layout=krack_friend_layout, main = "friend", edge.arrow.size=.5)
 +
 +krack_advice_layout <- layout.fruchterman.reingold(krack_advice)
 +plot(krack_advice, layout=krack_advice_layout, main = "advice", edge.arrow.size=.5)
 +
 +krack_reports_to_layout <- layout.fruchterman.reingold(krack_reports_to)
 +plot(krack_reports_to, layout=krack_reports_to_layout, main = "reports to", edge.arrow.size=.5)
 +par(mfrow = c(1,1))
 +</code>
 +
 +===== Two data sets (friend and advice), for friend =====
 + 
 +<code>
 +# We'll use the "task" and "social" sub-graphs together as the
 +# basis for our structural equivalence methods. First, we'll use
 +# the task graph to generate an adjacency matrix.
 +#
 +# This matrix represents task interactions directed FROM the 
 +# row individual TO the column individual. 
 +krack_friend_matrix_row_to_col <- get.adjacency(krack_friend, attr='friendship_tie')
 +krack_friend_matrix_row_to_col
 +
 +# To operate on a binary graph, simply leave off the "attr" 
 +# parameter:
 +krack_friend_matrix_row_to_col_bin <- get.adjacency(krack_friend)
 +krack_friend_matrix_row_to_col_bin
 +
 +# For this lab, we'll use the valued graph. The next step is to 
 +# concatenate it with its transpose in order to capture both 
 +# incoming and outgoing task interactions.
 +krack_friend_matrix_col_to_row <- t(as.matrix(krack_friend_matrix_row_to_col))
 +krack_friend_matrix_col_to_row
 +
 +krack_friend_matrix <- rbind(krack_friend_matrix_row_to_col, krack_friend_matrix_col_to_row)
 +krack_friend_matrix
 +</code>
 +
 +<code>
 +> krack_friend_matrix_row_to_col <- get.adjacency(krack_friend, attr='friendship_tie')
 +> krack_friend_matrix_row_to_col
 +21 x 21 sparse Matrix of class "dgCMatrix"
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +1  . 1 . 1 . . . 1 . . . 1 . . . 1 . . . . .
 +2  1 . . . . . . . . . . . . . . . . 1 . . 1
 +3  . . . . . . . . . . . . . 1 . . . . 1 . .
 +4  1 1 . . . . . 1 . . . 1 . . . 1 1 . . . .
 +5  . 1 . . . . . . 1 . 1 . . 1 . . 1 . 1 . 1
 +6  . 1 . . . . 1 . 1 . . 1 . . . . 1 . . . 1
 +7  . . . . . . . . . . . . . . . . . . . . .
 +8  . . . 1 . . . . . . . . . . . . . . . . .
 +9  . . . . . . . . . . . . . . . . . . . . .
 +10 . . 1 . 1 . . 1 1 . . 1 . . . 1 . . . 1 .
 +11 1 1 1 1 1 . . 1 1 . . 1 1 . 1 . 1 1 1 . .
 +12 1 . . 1 . . . . . . . . . . . . 1 . . . 1
 +13 . . . . 1 . . . . . 1 . . . . . . . . . .
 +14 . . . . . . 1 . . . . . . . 1 . . . . . .
 +15 1 . 1 . 1 1 . . 1 . 1 . . 1 . . . . 1 . .
 +16 1 1 . . . . . . . . . . . . . . . . . . .
 +17 1 1 1 1 1 1 1 1 1 1 1 1 . 1 1 1 . . 1 1 1
 +18 . 1 . . . . . . . . . . . . . . . . . . .
 +19 1 1 1 . 1 . . . . . 1 1 . 1 1 . . . . 1 .
 +20 . . . . . . . . . . 1 . . . . . . 1 . . .
 +21 . 1 . . . . . . . . . 1 . . . . 1 1 . . .
 +> 
 +> # To operate on a binary graph, simply leave off the "attr" 
 +> # parameter:
 +> krack_friend_matrix_row_to_col_bin <- get.adjacency(krack_friend)
 +> krack_friend_matrix_row_to_col_bin
 +21 x 21 sparse Matrix of class "dgCMatrix"
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +1  . 1 . 1 . . . 1 . . . 1 . . . 1 . . . . .
 +2  1 . . . . . . . . . . . . . . . . 1 . . 1
 +3  . . . . . . . . . . . . . 1 . . . . 1 . .
 +4  1 1 . . . . . 1 . . . 1 . . . 1 1 . . . .
 +5  . 1 . . . . . . 1 . 1 . . 1 . . 1 . 1 . 1
 +6  . 1 . . . . 1 . 1 . . 1 . . . . 1 . . . 1
 +7  . . . . . . . . . . . . . . . . . . . . .
 +8  . . . 1 . . . . . . . . . . . . . . . . .
 +9  . . . . . . . . . . . . . . . . . . . . .
 +10 . . 1 . 1 . . 1 1 . . 1 . . . 1 . . . 1 .
 +11 1 1 1 1 1 . . 1 1 . . 1 1 . 1 . 1 1 1 . .
 +12 1 . . 1 . . . . . . . . . . . . 1 . . . 1
 +13 . . . . 1 . . . . . 1 . . . . . . . . . .
 +14 . . . . . . 1 . . . . . . . 1 . . . . . .
 +15 1 . 1 . 1 1 . . 1 . 1 . . 1 . . . . 1 . .
 +16 1 1 . . . . . . . . . . . . . . . . . . .
 +17 1 1 1 1 1 1 1 1 1 1 1 1 . 1 1 1 . . 1 1 1
 +18 . 1 . . . . . . . . . . . . . . . . . . .
 +19 1 1 1 . 1 . . . . . 1 1 . 1 1 . . . . 1 .
 +20 . . . . . . . . . . 1 . . . . . . 1 . . .
 +21 . 1 . . . . . . . . . 1 . . . . 1 1 . . .
 +> 
 +> # For this lab, we'll use the valued graph. The next step is to 
 +> # concatenate it with its transpose in order to capture both 
 +> # incoming and outgoing task interactions.
 +> krack_friend_matrix_col_to_row <- t(as.matrix(krack_friend_matrix_row_to_col))
 +> krack_friend_matrix_col_to_row
 +   1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
 +1  0 1 0 1 0 0 0 0 0  0  1  1  0  0  1  1  1  0  1  0  0
 +2  1 0 0 1 1 1 0 0 0  0  1  0  0  0  0  1  1  1  1  0  1
 +3  0 0 0 0 0 0 0 0 0  1  1  0  0  0  1  0  1  0  1  0  0
 +4  1 0 0 0 0 0 0 1 0  0  1  1  0  0  0  0  1  0  0  0  0
 +5  0 0 0 0 0 0 0 0 0  1  1  0  1  0  1  0  1  0  1  0  0
 +6  0 0 0 0 0 0 0 0 0  0  0  0  0  0  1  0  1  0  0  0  0
 +7  0 0 0 0 0 1 0 0 0  0  0  0  0  1  0  0  1  0  0  0  0
 +8  1 0 0 1 0 0 0 0 0  1  1  0  0  0  0  0  1  0  0  0  0
 +9  0 0 0 0 1 1 0 0 0  1  1  0  0  0  1  0  1  0  0  0  0
 +10 0 0 0 0 0 0 0 0 0  0  0  0  0  0  0  0  1  0  0  0  0
 +11 0 0 0 0 1 0 0 0 0  0  0  0  1  0  1  0  1  0  1  1  0
 +12 1 0 0 1 0 1 0 0 0  1  1  0  0  0  0  0  1  0  1  0  1
 +13 0 0 0 0 0 0 0 0 0  0  1  0  0  0  0  0  0  0  0  0  0
 +14 0 0 1 0 1 0 0 0 0  0  0  0  0  0  1  0  1  0  1  0  0
 +15 0 0 0 0 0 0 0 0 0  0  1  0  0  1  0  0  1  0  1  0  0
 +16 1 0 0 1 0 0 0 0 0  1  0  0  0  0  0  0  1  0  0  0  0
 +17 0 0 0 1 1 1 0 0 0  0  1  1  0  0  0  0  0  0  0  0  1
 +18 0 1 0 0 0 0 0 0 0  0  1  0  0  0  0  0  0  0  0  1  1
 +19 0 0 1 0 1 0 0 0 0  0  1  0  0  0  1  0  1  0  0  0  0
 +20 0 0 0 0 0 0 0 0 0  1  0  0  0  0  0  0  1  0  1  0  0
 +21 0 1 0 0 1 1 0 0 0  0  0  1  0  0  0  0  1  0  0  0  0
 +> 
 +> krack_friend_matrix <- rbind(krack_friend_matrix_row_to_col, krack_friend_matrix_col_to_row)
 +> krack_friend_matrix
 +42 x 21 sparse Matrix of class "dgCMatrix"
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +1  . 1 . 1 . . . 1 . . . 1 . . . 1 . . . . .
 +2  1 . . . . . . . . . . . . . . . . 1 . . 1
 +3  . . . . . . . . . . . . . 1 . . . . 1 . .
 +4  1 1 . . . . . 1 . . . 1 . . . 1 1 . . . .
 +5  . 1 . . . . . . 1 . 1 . . 1 . . 1 . 1 . 1
 +6  . 1 . . . . 1 . 1 . . 1 . . . . 1 . . . 1
 +7  . . . . . . . . . . . . . . . . . . . . .
 +8  . . . 1 . . . . . . . . . . . . . . . . .
 +9  . . . . . . . . . . . . . . . . . . . . .
 +10 . . 1 . 1 . . 1 1 . . 1 . . . 1 . . . 1 .
 +11 1 1 1 1 1 . . 1 1 . . 1 1 . 1 . 1 1 1 . .
 +12 1 . . 1 . . . . . . . . . . . . 1 . . . 1
 +13 . . . . 1 . . . . . 1 . . . . . . . . . .
 +14 . . . . . . 1 . . . . . . . 1 . . . . . .
 +15 1 . 1 . 1 1 . . 1 . 1 . . 1 . . . . 1 . .
 +16 1 1 . . . . . . . . . . . . . . . . . . .
 +17 1 1 1 1 1 1 1 1 1 1 1 1 . 1 1 1 . . 1 1 1
 +18 . 1 . . . . . . . . . . . . . . . . . . .
 +19 1 1 1 . 1 . . . . . 1 1 . 1 1 . . . . 1 .
 +20 . . . . . . . . . . 1 . . . . . . 1 . . .
 +21 . 1 . . . . . . . . . 1 . . . . 1 1 . . .
 +1  . 1 . 1 . . . . . . 1 1 . . 1 1 1 . 1 . .
 +2  1 . . 1 1 1 . . . . 1 . . . . 1 1 1 1 . 1
 +3  . . . . . . . . . 1 1 . . . 1 . 1 . 1 . .
 +4  1 . . . . . . 1 . . 1 1 . . . . 1 . . . .
 +5  . . . . . . . . . 1 1 . 1 . 1 . 1 . 1 . .
 +6  . . . . . . . . . . . . . . 1 . 1 . . . .
 +7  . . . . . 1 . . . . . . . 1 . . 1 . . . .
 +8  1 . . 1 . . . . . 1 1 . . . . . 1 . . . .
 +9  . . . . 1 1 . . . 1 1 . . . 1 . 1 . . . .
 +10 . . . . . . . . . . . . . . . . 1 . . . .
 +11 . . . . 1 . . . . . . . 1 . 1 . 1 . 1 1 .
 +12 1 . . 1 . 1 . . . 1 1 . . . . . 1 . 1 . 1
 +13 . . . . . . . . . . 1 . . . . . . . . . .
 +14 . . 1 . 1 . . . . . . . . . 1 . 1 . 1 . .
 +15 . . . . . . . . . . 1 . . 1 . . 1 . 1 . .
 +16 1 . . 1 . . . . . 1 . . . . . . 1 . . . .
 +17 . . . 1 1 1 . . . . 1 1 . . . . . . . . 1
 +18 . 1 . . . . . . . . 1 . . . . . . . . 1 1
 +19 . . 1 . 1 . . . . . 1 . . . 1 . 1 . . . .
 +20 . . . . . . . . . 1 . . . . . . 1 . 1 . .
 +21 . 1 . . 1 1 . . . . . 1 . . . . 1 . . . .
 +> 
 +> 
 +</code>
 +
 +===== for advice matrix =====
 +<code>
 +# Next, we'll use the same procedure to add social-interaction
 +# information.
 +krack_advice_matrix_row_to_col <- get.adjacency(krack_advice, attr='advice_tie')
 +krack_advice_matrix_row_to_col
 + 
 +krack_advice_matrix_row_to_col_bin <- get.adjacency(krack_advice)
 +krack_advice_matrix_row_to_col_bin
 + 
 +krack_advice_matrix_col_to_row <- t(as.matrix(krack_advice_matrix_row_to_col))
 +krack_advice_matrix_col_to_row
 + 
 +krack_advice_matrix <- rbind(krack_advice_matrix_row_to_col, krack_advice_matrix_col_to_row)
 +krack_advice_matrix
 +</code>
 +
 +<code>
 +> krack_advice_matrix_row_to_col <- get.adjacency(krack_advice, attr='advice_tie')
 +> krack_advice_matrix_row_to_col
 +21 x 21 sparse Matrix of class "dgCMatrix"
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +1  . 1 . 1 . . . 1 . . . . . . . 1 . 1 . . 1
 +2  . . . . . 1 1 . . . . . . . . . . . . . 1
 +3  1 1 . 1 . 1 1 1 1 1 1 1 . 1 . . 1 1 . 1 1
 +4  1 1 . . . 1 . 1 . 1 1 1 . . . 1 1 1 . 1 1
 +5  1 1 . . . 1 1 1 . 1 1 . 1 1 . 1 1 1 1 1 1
 +6  . . . . . . . . . . . . . . . . . . . . 1
 +7  . 1 . . . 1 . . . . 1 1 . 1 . . 1 1 . . 1
 +8  . 1 . 1 . 1 1 . . 1 1 . . . . . . 1 . . 1
 +9  1 1 . . . 1 1 1 . 1 1 1 . 1 . 1 1 1 . . 1
 +10 1 1 1 1 1 . . 1 . . 1 . 1 . 1 1 1 1 1 1 .
 +11 1 1 . . . . 1 . . . . . . . . . . . . . .
 +12 . . . . . . 1 . . . . . . . . . . . . . 1
 +13 1 1 . . 1 . . . 1 . . . . 1 . . . 1 . . .
 +14 . 1 . . . . 1 . . . . . . . . . . 1 . . 1
 +15 1 1 1 1 1 1 1 1 1 1 1 1 1 1 . 1 1 1 1 1 1
 +16 1 1 . . . . . . . 1 . . . . . . . 1 . . .
 +17 1 1 . 1 . . 1 . . . . . . . . . . . . . 1
 +18 1 1 1 1 1 . 1 1 1 1 1 . 1 1 1 1 . . 1 1 1
 +19 1 1 1 . 1 . 1 . . 1 1 . . 1 1 . . 1 . 1 .
 +20 1 1 . . . 1 . 1 . . 1 1 . 1 1 1 1 1 . . 1
 +21 . 1 1 1 . 1 1 1 . . . 1 . 1 . . 1 1 . 1 .
 +> 
 +> krack_advice_matrix_row_to_col_bin <- get.adjacency(krack_advice)
 +> krack_advice_matrix_row_to_col_bin
 +21 x 21 sparse Matrix of class "dgCMatrix"
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +1  . 1 . 1 . . . 1 . . . . . . . 1 . 1 . . 1
 +2  . . . . . 1 1 . . . . . . . . . . . . . 1
 +3  1 1 . 1 . 1 1 1 1 1 1 1 . 1 . . 1 1 . 1 1
 +4  1 1 . . . 1 . 1 . 1 1 1 . . . 1 1 1 . 1 1
 +5  1 1 . . . 1 1 1 . 1 1 . 1 1 . 1 1 1 1 1 1
 +6  . . . . . . . . . . . . . . . . . . . . 1
 +7  . 1 . . . 1 . . . . 1 1 . 1 . . 1 1 . . 1
 +8  . 1 . 1 . 1 1 . . 1 1 . . . . . . 1 . . 1
 +9  1 1 . . . 1 1 1 . 1 1 1 . 1 . 1 1 1 . . 1
 +10 1 1 1 1 1 . . 1 . . 1 . 1 . 1 1 1 1 1 1 .
 +11 1 1 . . . . 1 . . . . . . . . . . . . . .
 +12 . . . . . . 1 . . . . . . . . . . . . . 1
 +13 1 1 . . 1 . . . 1 . . . . 1 . . . 1 . . .
 +14 . 1 . . . . 1 . . . . . . . . . . 1 . . 1
 +15 1 1 1 1 1 1 1 1 1 1 1 1 1 1 . 1 1 1 1 1 1
 +16 1 1 . . . . . . . 1 . . . . . . . 1 . . .
 +17 1 1 . 1 . . 1 . . . . . . . . . . . . . 1
 +18 1 1 1 1 1 . 1 1 1 1 1 . 1 1 1 1 . . 1 1 1
 +19 1 1 1 . 1 . 1 . . 1 1 . . 1 1 . . 1 . 1 .
 +20 1 1 . . . 1 . 1 . . 1 1 . 1 1 1 1 1 . . 1
 +21 . 1 1 1 . 1 1 1 . . . 1 . 1 . . 1 1 . 1 .
 +> 
 +> krack_advice_matrix_col_to_row <- t(as.matrix(krack_advice_matrix_row_to_col))
 +> krack_advice_matrix_col_to_row
 +   1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
 +1  0 0 1 1 1 0 0 0 1  1  1  0  1  0  1  1  1  1  1  1  0
 +2  1 0 1 1 1 0 1 1 1  1  1  0  1  1  1  1  1  1  1  1  1
 +3  0 0 0 0 0 0 0 0 0  1  0  0  0  0  1  0  0  1  1  0  1
 +4  1 0 1 0 0 0 0 1 0  1  0  0  0  0  1  0  1  1  0  0  1
 +5  0 0 0 0 0 0 0 0 0  1  0  0  1  0  1  0  0  1  1  0  0
 +6  0 1 1 1 1 0 1 1 1  0  0  0  0  0  1  0  0  0  0  1  1
 +7  0 1 1 0 1 0 0 1 1  0  1  1  0  1  1  0  1  1  1  0  1
 +8  1 0 1 1 1 0 0 0 1  1  0  0  0  0  1  0  0  1  0  1  1
 +9  0 0 1 0 0 0 0 0 0  0  0  0  1  0  1  0  0  1  0  0  0
 +10 0 0 1 1 1 0 0 1 1  0  0  0  0  0  1  1  0  1  1  0  0
 +11 0 0 1 1 1 0 1 1 1  1  0  0  0  0  1  0  0  1  1  1  0
 +12 0 0 1 1 0 0 1 0 1  0  0  0  0  0  1  0  0  0  0  1  1
 +13 0 0 0 0 1 0 0 0 0  1  0  0  0  0  1  0  0  1  0  0  0
 +14 0 0 1 0 1 0 1 0 1  0  0  0  1  0  1  0  0  1  1  1  1
 +15 0 0 0 0 0 0 0 0 0  1  0  0  0  0  0  0  0  1  1  1  0
 +16 1 0 0 1 1 0 0 0 1  1  0  0  0  0  1  0  0  1  0  1  0
 +17 0 0 1 1 1 0 1 0 1  1  0  0  0  0  1  0  0  0  0  1  1
 +18 1 0 1 1 1 0 1 1 1  1  0  0  1  1  1  1  0  0  1  1  1
 +19 0 0 0 0 1 0 0 0 0  1  0  0  0  0  1  0  0  1  0  0  0
 +20 0 0 1 1 1 0 0 0 0  1  0  0  0  0  1  0  0  1  1  0  1
 +21 1 1 1 1 1 1 1 1 1  0  0  1  0  1  1  0  1  1  0  1  0
 +> 
 +> krack_advice_matrix <- rbind(krack_advice_matrix_row_to_col, krack_advice_matrix_col_to_row)
 +> krack_advice_matrix
 +42 x 21 sparse Matrix of class "dgCMatrix"
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +1  . 1 . 1 . . . 1 . . . . . . . 1 . 1 . . 1
 +2  . . . . . 1 1 . . . . . . . . . . . . . 1
 +3  1 1 . 1 . 1 1 1 1 1 1 1 . 1 . . 1 1 . 1 1
 +4  1 1 . . . 1 . 1 . 1 1 1 . . . 1 1 1 . 1 1
 +5  1 1 . . . 1 1 1 . 1 1 . 1 1 . 1 1 1 1 1 1
 +6  . . . . . . . . . . . . . . . . . . . . 1
 +7  . 1 . . . 1 . . . . 1 1 . 1 . . 1 1 . . 1
 +8  . 1 . 1 . 1 1 . . 1 1 . . . . . . 1 . . 1
 +9  1 1 . . . 1 1 1 . 1 1 1 . 1 . 1 1 1 . . 1
 +10 1 1 1 1 1 . . 1 . . 1 . 1 . 1 1 1 1 1 1 .
 +11 1 1 . . . . 1 . . . . . . . . . . . . . .
 +12 . . . . . . 1 . . . . . . . . . . . . . 1
 +13 1 1 . . 1 . . . 1 . . . . 1 . . . 1 . . .
 +14 . 1 . . . . 1 . . . . . . . . . . 1 . . 1
 +15 1 1 1 1 1 1 1 1 1 1 1 1 1 1 . 1 1 1 1 1 1
 +16 1 1 . . . . . . . 1 . . . . . . . 1 . . .
 +17 1 1 . 1 . . 1 . . . . . . . . . . . . . 1
 +18 1 1 1 1 1 . 1 1 1 1 1 . 1 1 1 1 . . 1 1 1
 +19 1 1 1 . 1 . 1 . . 1 1 . . 1 1 . . 1 . 1 .
 +20 1 1 . . . 1 . 1 . . 1 1 . 1 1 1 1 1 . . 1
 +21 . 1 1 1 . 1 1 1 . . . 1 . 1 . . 1 1 . 1 .
 +1  . . 1 1 1 . . . 1 1 1 . 1 . 1 1 1 1 1 1 .
 +2  1 . 1 1 1 . 1 1 1 1 1 . 1 1 1 1 1 1 1 1 1
 +3  . . . . . . . . . 1 . . . . 1 . . 1 1 . 1
 +4  1 . 1 . . . . 1 . 1 . . . . 1 . 1 1 . . 1
 +5  . . . . . . . . . 1 . . 1 . 1 . . 1 1 . .
 +6  . 1 1 1 1 . 1 1 1 . . . . . 1 . . . . 1 1
 +7  . 1 1 . 1 . . 1 1 . 1 1 . 1 1 . 1 1 1 . 1
 +8  1 . 1 1 1 . . . 1 1 . . . . 1 . . 1 . 1 1
 +9  . . 1 . . . . . . . . . 1 . 1 . . 1 . . .
 +10 . . 1 1 1 . . 1 1 . . . . . 1 1 . 1 1 . .
 +11 . . 1 1 1 . 1 1 1 1 . . . . 1 . . 1 1 1 .
 +12 . . 1 1 . . 1 . 1 . . . . . 1 . . . . 1 1
 +13 . . . . 1 . . . . 1 . . . . 1 . . 1 . . .
 +14 . . 1 . 1 . 1 . 1 . . . 1 . 1 . . 1 1 1 1
 +15 . . . . . . . . . 1 . . . . . . . 1 1 1 .
 +16 1 . . 1 1 . . . 1 1 . . . . 1 . . 1 . 1 .
 +17 . . 1 1 1 . 1 . 1 1 . . . . 1 . . . . 1 1
 +18 1 . 1 1 1 . 1 1 1 1 . . 1 1 1 1 . . 1 1 1
 +19 . . . . 1 . . . . 1 . . . . 1 . . 1 . . .
 +20 . . 1 1 1 . . . . 1 . . . . 1 . . 1 1 . 1
 +21 1 1 1 1 1 1 1 1 1 . . 1 . 1 1 . 1 1 . 1 .
 +> 
 +</code>
 +
 +===== combining the two (friend and advice) =====
 +<code>
 +# combine the two with rbind function
 +krack_friend_advice_matrix <- rbind(krack_friend_matrix, krack_advice_matrix)
 +krack_friend_advice_matrix
 +</code>
 +
 +<code>
 +> # combine the two with rbind function
 +> krack_friend_advice_matrix <- rbind(krack_friend_matrix, krack_advice_matrix)
 +> krack_friend_advice_matrix
 +84 x 21 sparse Matrix of class "dgCMatrix"
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +1  . 1 . 1 . . . 1 . . . 1 . . . 1 . . . . .
 +2  1 . . . . . . . . . . . . . . . . 1 . . 1
 +3  . . . . . . . . . . . . . 1 . . . . 1 . .
 +4  1 1 . . . . . 1 . . . 1 . . . 1 1 . . . .
 +5  . 1 . . . . . . 1 . 1 . . 1 . . 1 . 1 . 1
 +6  . 1 . . . . 1 . 1 . . 1 . . . . 1 . . . 1
 +7  . . . . . . . . . . . . . . . . . . . . .
 +8  . . . 1 . . . . . . . . . . . . . . . . .
 +9  . . . . . . . . . . . . . . . . . . . . .
 +10 . . 1 . 1 . . 1 1 . . 1 . . . 1 . . . 1 .
 +11 1 1 1 1 1 . . 1 1 . . 1 1 . 1 . 1 1 1 . .
 +12 1 . . 1 . . . . . . . . . . . . 1 . . . 1
 +13 . . . . 1 . . . . . 1 . . . . . . . . . .
 +14 . . . . . . 1 . . . . . . . 1 . . . . . .
 +15 1 . 1 . 1 1 . . 1 . 1 . . 1 . . . . 1 . .
 +16 1 1 . . . . . . . . . . . . . . . . . . .
 +17 1 1 1 1 1 1 1 1 1 1 1 1 . 1 1 1 . . 1 1 1
 +18 . 1 . . . . . . . . . . . . . . . . . . .
 +19 1 1 1 . 1 . . . . . 1 1 . 1 1 . . . . 1 .
 +20 . . . . . . . . . . 1 . . . . . . 1 . . .
 +21 . 1 . . . . . . . . . 1 . . . . 1 1 . . .
 +1  . 1 . 1 . . . . . . 1 1 . . 1 1 1 . 1 . .
 +2  1 . . 1 1 1 . . . . 1 . . . . 1 1 1 1 . 1
 +3  . . . . . . . . . 1 1 . . . 1 . 1 . 1 . .
 +
 + ..............................
 + ........suppressing 37 rows in show(); maybe adjust 'options(max.print= *, width = *)'
 + ..............................
 +   [[ suppressing 21 column names ‘1’, ‘2’, ‘3’ ... ]]
 +                                            
 +20 1 1 . . . 1 . 1 . . 1 1 . 1 1 1 1 1 . . 1
 +21 . 1 1 1 . 1 1 1 . . . 1 . 1 . . 1 1 . 1 .
 +1  . . 1 1 1 . . . 1 1 1 . 1 . 1 1 1 1 1 1 .
 +2  1 . 1 1 1 . 1 1 1 1 1 . 1 1 1 1 1 1 1 1 1
 +3  . . . . . . . . . 1 . . . . 1 . . 1 1 . 1
 +4  1 . 1 . . . . 1 . 1 . . . . 1 . 1 1 . . 1
 +5  . . . . . . . . . 1 . . 1 . 1 . . 1 1 . .
 +6  . 1 1 1 1 . 1 1 1 . . . . . 1 . . . . 1 1
 +7  . 1 1 . 1 . . 1 1 . 1 1 . 1 1 . 1 1 1 . 1
 +8  1 . 1 1 1 . . . 1 1 . . . . 1 . . 1 . 1 1
 +9  . . 1 . . . . . . . . . 1 . 1 . . 1 . . .
 +10 . . 1 1 1 . . 1 1 . . . . . 1 1 . 1 1 . .
 +11 . . 1 1 1 . 1 1 1 1 . . . . 1 . . 1 1 1 .
 +12 . . 1 1 . . 1 . 1 . . . . . 1 . . . . 1 1
 +13 . . . . 1 . . . . 1 . . . . 1 . . 1 . . .
 +14 . . 1 . 1 . 1 . 1 . . . 1 . 1 . . 1 1 1 1
 +15 . . . . . . . . . 1 . . . . . . . 1 1 1 .
 +16 1 . . 1 1 . . . 1 1 . . . . 1 . . 1 . 1 .
 +17 . . 1 1 1 . 1 . 1 1 . . . . 1 . . . . 1 1
 +18 1 . 1 1 1 . 1 1 1 1 . . 1 1 1 1 . . 1 1 1
 +19 . . . . 1 . . . . 1 . . . . 1 . . 1 . . .
 +20 . . 1 1 1 . . . . 1 . . . . 1 . . 1 1 . 1
 +21 1 1 1 1 1 1 1 1 1 . . 1 . 1 1 . 1 1 . 1 .
 +> 
 +</code>
 +
 +===== correlation matrix out of the combined matrix (friend and advice) =====
 +<code>
 +# Now we have a single 4n x n matrix that represents both in- and
 +# out-directed task and social communication. From this, we can
 +# generate an n x n correlation matrix that shows the degree of
 +# structural equivalence of each actor in the network. 
 +krack_friend_advice_cors <- cor(as.matrix(krack_friend_advice_matrix))
 +krack_friend_advice_cors
 +round(krack_friend_advice_cors, 2)
 +</code>
 +
 +<code>
 +> krack_friend_advice_cors <- cor(as.matrix(krack_friend_advice_matrix))
 +> krack_friend_advice_cors
 +              1            2            3            4           5           6           7         8            9          10           11          12          13
 +1   1.000000000  0.302038699  0.142475069  0.263688413  0.12190217  0.22043317  0.15504342 0.3721042  0.178017791  0.26368841  0.222292198  0.16984156  0.13878769
 +2   0.302038699  1.000000000  0.003709433  0.072998946 -0.06739665  0.24983348  0.28377705 0.3911521  0.091946467 -0.12804733  0.180906807  0.53210643 -0.01756295
 +3   0.142475069  0.003709433  1.000000000  0.371663052  0.64682882 -0.06745749  0.29825135 0.4111032  0.606358624  0.10753703  0.020504660  0.07358513  0.33980899
 +4   0.263688413  0.072998946  0.371663052  1.000000000  0.29406817  0.11723687  0.28085601 0.3354669  0.415605936  0.23311016  0.041494282  0.07121813  0.15022842
 +5   0.121902173 -0.067396653  0.646828819  0.294068170  1.00000000  0.03121311  0.08479117 0.1927072  0.544696475  0.14252384  0.101604278  0.04222003  0.26236436
 +6   0.220433168  0.249833476 -0.067457487  0.117236869  0.03121311  1.00000000  0.22496064 0.2249606 -0.012914768  0.11723687  0.380799884  0.41072005 -0.07399336
 +7   0.155043418  0.283777046  0.298251347  0.280856008  0.08479117  0.22496064  1.00000000 0.3000000  0.379912583  0.17163423 -0.023124865  0.06085806  0.16654022
 +8   0.372104204  0.391152144  0.411103208  0.335466899  0.19270720  0.22496064  0.30000000 1.0000000  0.379912583  0.11702334  0.138749187  0.48686450  0.23940157
 +9   0.178017791  0.091946467  0.606358624  0.415605936  0.54469647 -0.01291477  0.37991258 0.3799126  1.000000000  0.13897441 -0.001952317  0.13872446  0.25396166
 +10  0.263688413 -0.128047331  0.107537025  0.233110164  0.14252384  0.11723687  0.17163423 0.1170233  0.138974410  1.00000000  0.193038615 -0.15667990  0.21844024
 +11  0.222292198  0.180906807  0.020504660  0.041494282  0.10160428  0.38079988 -0.02312486 0.1387492 -0.001952317  0.19303861  1.000000000  0.21110017  0.12757166
 +12  0.169841555  0.532106432  0.073585131  0.071218135  0.04222003  0.41072005  0.06085806 0.4868645  0.138724461 -0.15667990  0.211100165  1.00000000 -0.09501858
 +13  0.138787686 -0.017562946  0.339808989  0.150228419  0.26236436 -0.07399336  0.16654022 0.2394016  0.253961660  0.21844024  0.127571663 -0.09501858  1.00000000
 +14  0.339683110  0.364072822  0.250189445  0.014243627  0.15480679  0.41072005  0.30429031 0.3651484  0.323690409  0.07121813  0.379980298  0.30158730  0.13302601
 +15 -0.035383657 -0.175035011  0.588681048  0.185167150  0.53478709 -0.23821763  0.09128709 0.1445379  0.331397324  0.28487254 -0.007036672 -0.11111111  0.36107060
 +16  0.307254934  0.278652218  0.199680766  0.322096134  0.17397419  0.20309228  0.11927107 0.6330542  0.199840105  0.14172230  0.292785836  0.30151134  0.33806031
 +17  0.173557880  0.127622576 -0.062188509 -0.001180159 -0.09445006  0.30899515 -0.15127226 0.2193448 -0.075349861  0.04838652  0.346316890  0.35903931  0.14013559
 +18  0.192817919  0.196581411  0.210887090  0.116546075  0.17009876  0.15080266  0.07583160 0.2881601  0.154290226  0.31532517  0.022796741  0.09691425  0.21706113
 +19 -0.002455291 -0.139676400  0.304451926  0.171112069  0.28747396 -0.03348760 -0.01583615 0.1504434  0.284105572  0.27489123  0.236204715 -0.13010726  0.52005367
 +20  0.240002173  0.152825173  0.555533353  0.365508495  0.43603231  0.08372380  0.45286283 0.3952257  0.534566198  0.31154942  0.116148344  0.10523044  0.36938598
 +21  0.182323225  0.188581614  0.090482786  0.254376526 -0.03708228  0.29340150  0.42761799 0.2138090  0.239173474  0.15429396  0.160689880  0.06970715  0.03894603
 +           14           15         16           17         18           19          20          21
 +1  0.33968311 -0.035383657 0.30725493  0.173557880 0.19281792 -0.002455291  0.24000217  0.18232322
 +2  0.36407282 -0.175035011 0.27865222  0.127622576 0.19658141 -0.139676400  0.15282517  0.18858161
 +3  0.25018945  0.588681048 0.19968077 -0.062188509 0.21088709  0.304451926  0.55553335  0.09048279
 +4  0.01424363  0.185167150 0.32209613 -0.001180159 0.11654608  0.171112069  0.36550849  0.25437653
 +5  0.15480679  0.534787086 0.17397419 -0.094450061 0.17009876  0.287473956  0.43603231 -0.03708228
 +6  0.41072005 -0.238217628 0.20309228  0.308995148 0.15080266 -0.033487601  0.08372380  0.29340150
 +7  0.30429031  0.091287093 0.11927107 -0.151272255 0.07583160 -0.015836152  0.45286283  0.42761799
 +8  0.36514837  0.144537897 0.63305416  0.219344770 0.28816007  0.150443441  0.39522575  0.21380899
 +9  0.32369041  0.331397324 0.19984011 -0.075349861 0.15429023  0.284105572  0.53456620  0.23917347
 +10 0.07121813  0.284872539 0.14172230  0.048386516 0.31532517  0.274891231  0.31154942  0.15429396
 +11 0.37998030 -0.007036672 0.29278584  0.346316890 0.02279674  0.236204715  0.11614834  0.16068988
 +12 0.30158730 -0.111111111 0.30151134  0.359039315 0.09691425 -0.130107262  0.10523044  0.06970715
 +13 0.13302601  0.361070596 0.33806031  0.140135587 0.21706113  0.520053669  0.36938598  0.03894603
 +14 1.00000000  0.000000000 0.23450882  0.193328862 0.15229382  0.216845437  0.28562549  0.18123858
 +15 0.00000000  1.000000000 0.07537784 -0.013809204 0.20075094  0.332496337  0.33072425 -0.04879500
 +16 0.23450882  0.075377836 1.00000000  0.166545272 0.17949886  0.292036738  0.29461875  0.20597146
 +17 0.19332886 -0.013809204 0.16654527  1.000000000 0.01261834  0.195238985 -0.06850558 -0.04042921
 +18 0.15229382  0.200750938 0.17949886  0.012618339 1.00000000  0.112282344  0.20916981  0.17429489
 +19 0.21684544  0.332496337 0.29203674  0.195238985 0.11228234  1.000000000  0.18450582  0.04655629
 +20 0.28562549  0.330724252 0.29461875 -0.068505582 0.20916981  0.184505825  1.00000000  0.18925110
 +21 0.18123858 -0.048795004 0.20597146 -0.040429211 0.17429489  0.046556285  0.18925110  1.00000000
 +> round(krack_friend_advice_cors, 2)
 +       1     2     3    4     5     6     7    8     9    10    11    12    13   14    15   16    17   18    19    20    21
 +1   1.00  0.30  0.14 0.26  0.12  0.22  0.16 0.37  0.18  0.26  0.22  0.17  0.14 0.34 -0.04 0.31  0.17 0.19  0.00  0.24  0.18
 +2   0.30  1.00  0.00 0.07 -0.07  0.25  0.28 0.39  0.09 -0.13  0.18  0.53 -0.02 0.36 -0.18 0.28  0.13 0.20 -0.14  0.15  0.19
 +3   0.14  0.00  1.00 0.37  0.65 -0.07  0.30 0.41  0.61  0.11  0.02  0.07  0.34 0.25  0.59 0.20 -0.06 0.21  0.30  0.56  0.09
 +4   0.26  0.07  0.37 1.00  0.29  0.12  0.28 0.34  0.42  0.23  0.04  0.07  0.15 0.01  0.19 0.32  0.00 0.12  0.17  0.37  0.25
 +5   0.12 -0.07  0.65 0.29  1.00  0.03  0.08 0.19  0.54  0.14  0.10  0.04  0.26 0.15  0.53 0.17 -0.09 0.17  0.29  0.44 -0.04
 +6   0.22  0.25 -0.07 0.12  0.03  1.00  0.22 0.22 -0.01  0.12  0.38  0.41 -0.07 0.41 -0.24 0.20  0.31 0.15 -0.03  0.08  0.29
 +7   0.16  0.28  0.30 0.28  0.08  0.22  1.00 0.30  0.38  0.17 -0.02  0.06  0.17 0.30  0.09 0.12 -0.15 0.08 -0.02  0.45  0.43
 +8   0.37  0.39  0.41 0.34  0.19  0.22  0.30 1.00  0.38  0.12  0.14  0.49  0.24 0.37  0.14 0.63  0.22 0.29  0.15  0.40  0.21
 +9   0.18  0.09  0.61 0.42  0.54 -0.01  0.38 0.38  1.00  0.14  0.00  0.14  0.25 0.32  0.33 0.20 -0.08 0.15  0.28  0.53  0.24
 +10  0.26 -0.13  0.11 0.23  0.14  0.12  0.17 0.12  0.14  1.00  0.19 -0.16  0.22 0.07  0.28 0.14  0.05 0.32  0.27  0.31  0.15
 +11  0.22  0.18  0.02 0.04  0.10  0.38 -0.02 0.14  0.00  0.19  1.00  0.21  0.13 0.38 -0.01 0.29  0.35 0.02  0.24  0.12  0.16
 +12  0.17  0.53  0.07 0.07  0.04  0.41  0.06 0.49  0.14 -0.16  0.21  1.00 -0.10 0.30 -0.11 0.30  0.36 0.10 -0.13  0.11  0.07
 +13  0.14 -0.02  0.34 0.15  0.26 -0.07  0.17 0.24  0.25  0.22  0.13 -0.10  1.00 0.13  0.36 0.34  0.14 0.22  0.52  0.37  0.04
 +14  0.34  0.36  0.25 0.01  0.15  0.41  0.30 0.37  0.32  0.07  0.38  0.30  0.13 1.00  0.00 0.23  0.19 0.15  0.22  0.29  0.18
 +15 -0.04 -0.18  0.59 0.19  0.53 -0.24  0.09 0.14  0.33  0.28 -0.01 -0.11  0.36 0.00  1.00 0.08 -0.01 0.20  0.33  0.33 -0.05
 +16  0.31  0.28  0.20 0.32  0.17  0.20  0.12 0.63  0.20  0.14  0.29  0.30  0.34 0.23  0.08 1.00  0.17 0.18  0.29  0.29  0.21
 +17  0.17  0.13 -0.06 0.00 -0.09  0.31 -0.15 0.22 -0.08  0.05  0.35  0.36  0.14 0.19 -0.01 0.17  1.00 0.01  0.20 -0.07 -0.04
 +18  0.19  0.20  0.21 0.12  0.17  0.15  0.08 0.29  0.15  0.32  0.02  0.10  0.22 0.15  0.20 0.18  0.01 1.00  0.11  0.21  0.17
 +19  0.00 -0.14  0.30 0.17  0.29 -0.03 -0.02 0.15  0.28  0.27  0.24 -0.13  0.52 0.22  0.33 0.29  0.20 0.11  1.00  0.18  0.05
 +20  0.24  0.15  0.56 0.37  0.44  0.08  0.45 0.40  0.53  0.31  0.12  0.11  0.37 0.29  0.33 0.29 -0.07 0.21  0.18  1.00  0.19
 +21  0.18  0.19  0.09 0.25 -0.04  0.29  0.43 0.21  0.24  0.15  0.16  0.07  0.04 0.18 -0.05 0.21 -0.04 0.17  0.05  0.19  1.00
 +> 
 +</code>
 +
 +
 +===== Clustering with NetCluster =====
 +<code>
 +# To use correlation values in hierarchical NetCluster, they must 
 +# first be coerced into a "dissimilarity structure" using dist().
 +# We subtract the values from 1 so that they are all greater than 
 +# or equal to 0; thus, highly dissimilar (i.e., negatively 
 +# correlated) actors have higher values.
 +dissimilarity <- 1 - krack_friend_advice_cors
 +krack_friend_advice_dist <- as.dist(dissimilarity)
 +krack_friend_advice_dist
 +round(krack_friend_advice_dist, 2)
 +</code>
 +
 +<code>
 +> dissimilarity <- 1 - krack_friend_advice_cors
 +> krack_friend_advice_dist <- as.dist(dissimilarity)
 +> krack_friend_advice_dist
 +           1         2         3         4         5         6         7         8         9        10        11        12        13        14        15        16
 +2  0.6979613                                                                                                                                                      
 +3  0.8575249 0.9962906                                                                                                                                            
 +4  0.7363116 0.9270011 0.6283369                                                                                                                                  
 +5  0.8780978 1.0673967 0.3531712 0.7059318                                                                                                                        
 +6  0.7795668 0.7501665 1.0674575 0.8827631 0.9687869                                                                                                              
 +7  0.8449566 0.7162230 0.7017487 0.7191440 0.9152088 0.7750394                                                                                                    
 +8  0.6278958 0.6088479 0.5888968 0.6645331 0.8072928 0.7750394 0.7000000                                                                                          
 +9  0.8219822 0.9080535 0.3936414 0.5843941 0.4553035 1.0129148 0.6200874 0.6200874                                                                                
 +10 0.7363116 1.1280473 0.8924630 0.7668898 0.8574762 0.8827631 0.8283658 0.8829767 0.8610256                                                                      
 +11 0.7777078 0.8190932 0.9794953 0.9585057 0.8983957 0.6192001 1.0231249 0.8612508 1.0019523 0.8069614                                                            
 +12 0.8301584 0.4678936 0.9264149 0.9287819 0.9577800 0.5892800 0.9391419 0.5131355 0.8612755 1.1566799 0.7888998                                                  
 +13 0.8612123 1.0175629 0.6601910 0.8497716 0.7376356 1.0739934 0.8334598 0.7605984 0.7460383 0.7815598 0.8724283 1.0950186                                        
 +14 0.6603169 0.6359272 0.7498106 0.9857564 0.8451932 0.5892800 0.6957097 0.6348516 0.6763096 0.9287819 0.6200197 0.6984127 0.8669740                              
 +15 1.0353837 1.1750350 0.4113190 0.8148328 0.4652129 1.2382176 0.9087129 0.8554621 0.6686027 0.7151275 1.0070367 1.1111111 0.6389294 1.0000000                    
 +16 0.6927451 0.7213478 0.8003192 0.6779039 0.8260258 0.7969077 0.8807289 0.3669458 0.8001599 0.8582777 0.7072142 0.6984887 0.6619397 0.7654912 0.9246222          
 +17 0.8264421 0.8723774 1.0621885 1.0011802 1.0944501 0.6910049 1.1512723 0.7806552 1.0753499 0.9516135 0.6536831 0.6409607 0.8598644 0.8066711 1.0138092 0.8334547
 +18 0.8071821 0.8034186 0.7891129 0.8834539 0.8299012 0.8491973 0.9241684 0.7118399 0.8457098 0.6846748 0.9772033 0.9030858 0.7829389 0.8477062 0.7992491 0.8205011
 +19 1.0024553 1.1396764 0.6955481 0.8288879 0.7125260 1.0334876 1.0158362 0.8495566 0.7158944 0.7251088 0.7637953 1.1301073 0.4799463 0.7831546 0.6675037 0.7079633
 +20 0.7599978 0.8471748 0.4444666 0.6344915 0.5639677 0.9162762 0.5471372 0.6047743 0.4654338 0.6884506 0.8838517 0.8947696 0.6306140 0.7143745 0.6692757 0.7053813
 +21 0.8176768 0.8114184 0.9095172 0.7456235 1.0370823 0.7065985 0.5723820 0.7861910 0.7608265 0.8457060 0.8393101 0.9302929 0.9610540 0.8187614 1.0487950 0.7940285
 +          17        18        19        20
 +2                                         
 +3                                         
 +4                                         
 +5                                         
 +6                                         
 +7                                         
 +8                                         
 +9                                         
 +10                                        
 +11                                        
 +12                                        
 +13                                        
 +14                                        
 +15                                        
 +16                                        
 +17                                        
 +18 0.9873817                              
 +19 0.8047610 0.8877177                    
 +20 1.0685056 0.7908302 0.8154942          
 +21 1.0404292 0.8257051 0.9534437 0.8107489
 +> round(krack_friend_advice_dist, 2)
 +      1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16   17   18   19   20
 +2  0.70                                                                                               
 +3  0.86 1.00                                                                                          
 +4  0.74 0.93 0.63                                                                                     
 +5  0.88 1.07 0.35 0.71                                                                                
 +6  0.78 0.75 1.07 0.88 0.97                                                                           
 +7  0.84 0.72 0.70 0.72 0.92 0.78                                                                      
 +8  0.63 0.61 0.59 0.66 0.81 0.78 0.70                                                                 
 +9  0.82 0.91 0.39 0.58 0.46 1.01 0.62 0.62                                                            
 +10 0.74 1.13 0.89 0.77 0.86 0.88 0.83 0.88 0.86                                                       
 +11 0.78 0.82 0.98 0.96 0.90 0.62 1.02 0.86 1.00 0.81                                                  
 +12 0.83 0.47 0.93 0.93 0.96 0.59 0.94 0.51 0.86 1.16 0.79                                             
 +13 0.86 1.02 0.66 0.85 0.74 1.07 0.83 0.76 0.75 0.78 0.87 1.10                                        
 +14 0.66 0.64 0.75 0.99 0.85 0.59 0.70 0.63 0.68 0.93 0.62 0.70 0.87                                   
 +15 1.04 1.18 0.41 0.81 0.47 1.24 0.91 0.86 0.67 0.72 1.01 1.11 0.64 1.00                              
 +16 0.69 0.72 0.80 0.68 0.83 0.80 0.88 0.37 0.80 0.86 0.71 0.70 0.66 0.77 0.92                         
 +17 0.83 0.87 1.06 1.00 1.09 0.69 1.15 0.78 1.08 0.95 0.65 0.64 0.86 0.81 1.01 0.83                    
 +18 0.81 0.80 0.79 0.88 0.83 0.85 0.92 0.71 0.85 0.68 0.98 0.90 0.78 0.85 0.80 0.82 0.99               
 +19 1.00 1.14 0.70 0.83 0.71 1.03 1.02 0.85 0.72 0.73 0.76 1.13 0.48 0.78 0.67 0.71 0.80 0.89          
 +20 0.76 0.85 0.44 0.63 0.56 0.92 0.55 0.60 0.47 0.69 0.88 0.89 0.63 0.71 0.67 0.71 1.07 0.79 0.82     
 +21 0.82 0.81 0.91 0.75 1.04 0.71 0.57 0.79 0.76 0.85 0.84 0.93 0.96 0.82 1.05 0.79 1.04 0.83 0.95 0.81
 +> 
 +> 
 +</code>
 +
 +
 +<code>
 +# Note that it is also possible to use dist() directly on the 
 +# matrix. However, since cor() looks at associations between 
 +# columns and dist() looks at associations between rows, it is
 +# necessary to transpose the matrix first.
 +#
 +# A variety of distance metrics are available; Euclidean 
 +# is the default.
 +krack_friend_advice_dist2 <- dist(t(krack_friend_advice_matrix))
 +krack_friend_advice_dist2
 +</code>
 +
 +<code>
 +> krack_friend_advice_dist2 <- dist(t(as.matrix(krack_friend_advice_matrix)))
 +> krack_friend_advice_dist2
 +          1        2        3        4        5        6        7        8        9       10       11       12       13       14       15       16       17       18
 +2  5.291503                                                                                                                                                         
 +3  5.744563 6.244998                                                                                                                                                
 +4  5.385165 6.082763 4.898979                                                                                                                                       
 +5  5.916080 6.557439 3.741657 5.291503                                                                                                                              
 +6  5.385165 5.385165 6.000000 5.656854 6.000000                                                                                                                     
 +7  5.656854 5.291503 5.000000 5.196152 5.916080 5.000000                                                                                                            
 +8  4.898979 4.898979 4.582576 5.000000 5.567764 5.000000 4.898979                                                                                                   
 +9  5.567764 5.916080 3.741657 4.690416 4.242641 5.656854 4.582576 4.582576                                                                                          
 +10 5.385165 6.708204 5.830952 5.477226 5.830952 5.656854 5.567764 5.744563 5.656854                                                                                 
 +11 5.567764 5.744563 6.164414 6.164414 6.000000 4.898979 6.244998 5.744563 6.164414 5.656854                                                                        
 +12 5.567764 4.358899 5.656854 5.830952 6.000000 4.242641 5.567764 4.123106 5.291503 6.480741 5.477226                                                               
 +13 5.567764 6.082763 4.690416 5.477226 5.291503 5.291503 5.000000 4.795832 4.690416 5.291503 5.656854 5.477226                                                      
 +14 5.000000 5.000000 5.099020 6.000000 5.656854 4.242641 4.795832 4.582576 4.690416 5.830952 4.898979 4.690416 4.898979                                             
 +15 6.480741 6.928203 4.123106 5.744563 4.358899 6.855655 6.000000 5.830952 5.196152 5.385165 6.403124 6.557439 5.196152 6.244998                                    
 +16 5.099020 5.291503 5.196152 5.000000 5.567764 4.795832 5.291503 3.464102 5.000000 5.567764 5.196152 4.582576 4.123106 4.795832 6.000000                           
 +17 5.830952 6.000000 6.557439 6.403124 6.708204 5.385165 6.782330 5.656854 6.557439 6.244998 5.196152 5.196152 5.916080 5.744563 6.480741 5.830952                  
 +18 5.744563 5.744563 5.656854 6.000000 5.830952 5.830952 6.082763 5.385165 5.830952 5.291503 6.324555 6.000000 5.656854 5.830952 5.744563 5.744563 6.403124         
 +19 6.244998 6.708204 5.099020 5.656854 5.291503 6.000000 6.082763 5.567764 5.099020 5.291503 5.477226 6.324555 4.242641 5.291503 5.196152 5.000000 5.744563 6.000000
 +20 5.385165 5.744563 4.000000 4.898979 4.690416 5.477226 4.358899 4.582576 4.000000 5.099020 5.830952 5.477226 4.472136 4.898979 5.196152 4.795832 6.557439 5.656854
 +21 5.744563 5.744563 6.000000 5.477226 6.480741 5.291503 4.795832 5.567764 5.477226 5.830952 5.830952 6.000000 6.000000 5.656854 6.557439 5.567764 6.557439 5.830952
 +         19       20
 +2                   
 +3                   
 +4                   
 +5                   
 +6                   
 +7                   
 +8                   
 +9                   
 +10                  
 +11                  
 +12                  
 +13                  
 +14                  
 +15                  
 +16                  
 +17                  
 +18                  
 +19                  
 +20 5.477226         
 +21 6.164414 5.656854
 +> round(krack_friend_advice_dist2,2)
 +      1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16   17   18   19   20
 +2  5.29                                                                                               
 +3  5.74 6.24                                                                                          
 +4  5.39 6.08 4.90                                                                                     
 +5  5.92 6.56 3.74 5.29                                                                                
 +6  5.39 5.39 6.00 5.66 6.00                                                                           
 +7  5.66 5.29 5.00 5.20 5.92 5.00                                                                      
 +8  4.90 4.90 4.58 5.00 5.57 5.00 4.90                                                                 
 +9  5.57 5.92 3.74 4.69 4.24 5.66 4.58 4.58                                                            
 +10 5.39 6.71 5.83 5.48 5.83 5.66 5.57 5.74 5.66                                                       
 +11 5.57 5.74 6.16 6.16 6.00 4.90 6.24 5.74 6.16 5.66                                                  
 +12 5.57 4.36 5.66 5.83 6.00 4.24 5.57 4.12 5.29 6.48 5.48                                             
 +13 5.57 6.08 4.69 5.48 5.29 5.29 5.00 4.80 4.69 5.29 5.66 5.48                                        
 +14 5.00 5.00 5.10 6.00 5.66 4.24 4.80 4.58 4.69 5.83 4.90 4.69 4.90                                   
 +15 6.48 6.93 4.12 5.74 4.36 6.86 6.00 5.83 5.20 5.39 6.40 6.56 5.20 6.24                              
 +16 5.10 5.29 5.20 5.00 5.57 4.80 5.29 3.46 5.00 5.57 5.20 4.58 4.12 4.80 6.00                         
 +17 5.83 6.00 6.56 6.40 6.71 5.39 6.78 5.66 6.56 6.24 5.20 5.20 5.92 5.74 6.48 5.83                    
 +18 5.74 5.74 5.66 6.00 5.83 5.83 6.08 5.39 5.83 5.29 6.32 6.00 5.66 5.83 5.74 5.74 6.40               
 +19 6.24 6.71 5.10 5.66 5.29 6.00 6.08 5.57 5.10 5.29 5.48 6.32 4.24 5.29 5.20 5.00 5.74 6.00          
 +20 5.39 5.74 4.00 4.90 4.69 5.48 4.36 4.58 4.00 5.10 5.83 5.48 4.47 4.90 5.20 4.80 6.56 5.66 5.48     
 +21 5.74 5.74 6.00 5.48 6.48 5.29 4.80 5.57 5.48 5.83 5.83 6.00 6.00 5.66 6.56 5.57 6.56 5.83 6.16 5.66
 +> 
 +</code>
 +
 +===== Using hclust =====
 +<code> 
 +# hclust() performs a hierarchical agglomerative NetCluster 
 +# operation based on the values in the dissimilarity matrix 
 +# yielded by as.dist() above. The standard visualization is a 
 +# dendrogram. By default, hclust() agglomerates clusters via a
 +# "complete linkakage" algorithm, determining cluster proximity
 +# by looking at the distance of the two points across clusters
 +# that are farthest away from one another. This can be changed via
 +# the "method" parameter.
 + 
 +krack_friend_advice_hclust <- hclust(krack_friend_advice_dist)
 +plot(krack_friend_advice_hclust)
 +</code>
 +
 +{{:pasted:20191204-080711.png}}
 +
 +
 +===== Using cutree =====
 +<code> 
 +# cutree() allows us to use the output of hclust() to set
 +# different numbers of clusters and assign vertices to clusters
 +# as appropriate. For example:
 +cutree(krack_friend_advice_hclust, k=2)
 +</code>
 +
 +<code>
 +> cutree(krack_friend_advice_hclust, k=2)
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  1  1  1  2  1  1  1  1  2  2  1  2  1  1  2  1  1  1  1 
 +> 
 +> 
 +</code>
 +
 +<code> 
 +# Now we'll try to figure out the number of clusters that best 
 +# describes the underlying data. To do this, we'll loop through
 +# all of the possible numbers of clusters (1 through n, where n is
 +# the number of actors in the network). For each solution
 +# corresponding to a given number of clusters, we'll use cutree()
 +# to assign the vertices to their respective clusters 
 +# corresponding to that solution.
 +#
 +# From this, we can generate a matrix of within- and between-
 +# cluster correlations. Thus, when there is one cluster for each 
 +# vertex in the network, the cell values will be identical to the
 +# observed correlation matrix, and when there is one cluster for 
 +# the whole network, the values will all be equal to the average
 +# correlation across the observed matrix.
 +#
 +# We can then correlate each by-cluster matrix with the observed
 +# correlation matrix to see how well the by-cluster matrix fits
 +# the data. We'll store the correlation for each number of
 +# clusters in a vector, which we can then plot.
 + 
 +# First, we initialize a vector for storing the correlations and 
 +# set a variable for our number of vertices.
 +clustered_observed_cors = vector()
 +num_vertices = length(V(krack_advice))
 +
 +
 +# Next, we loop through the different possible cluster 
 +# configurations, produce matrices of within- and between-
 +# cluster correlations, and correlate these by-cluster matrices
 +# with the observed correlation matrix.
 + 
 +# pdf("6.3_m182_studentnet_task_social_clustered_observed_corrs.pdf")
 +clustered_observed_cors <-clustConfigurations(num_vertices, krack_friend_advice_hclust, krack_friend_advice_cors)
 +clustered_observed_cors
 +plot(clustered_observed_cors$correlations)
 +# dev.off()
 +
 +clustered_observed_cors$correlations
 +</code>
 +
 +<code>
 +> clustered_observed_cors <-clustConfigurations(num_vertices, krack_friend_advice_hclust, krack_friend_advice_cors)
 +Warning message:
 +In cor(as.vector(d[g1[i], , ]), as.vector(d[g2[j], , ]), use = "complete.obs") :
 +  표준편차가 0입니다
 +> clustered_observed_cors
 +$label
 +[1] "number of clusters:  1"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1 
 +
 +$correlation
 +[1] NA
 +
 +$label
 +[1] "number of clusters:  2"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  1  1  1  2  1  1  1  1  2  2  1  2  1  1  2  1  1  1  1 
 +
 +$correlation
 +[1] 0.4896211
 +
 +$label
 +[1] "number of clusters:  3"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  2  1  1  3  3  2  2  3  2  3  1  2  3  3  1  1 
 +
 +$correlation
 +[1] 0.5944114
 +
 +$label
 +[1] "number of clusters:  4"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  2  1  1  3  4  2  2  3  2  3  1  2  4  3  1  1 
 +
 +$correlation
 +[1] 0.6398013
 +
 +$label
 +[1] "number of clusters:  5"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  2  4  1  3  5  2  2  3  2  3  1  2  5  3  4  4 
 +
 +$correlation
 +[1] 0.6538231
 +
 +$label
 +[1] "number of clusters:  6"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  3  4  3  1  4  6  3  5  5 
 +
 +$correlation
 +[1] 0.6723019
 +
 +$label
 +[1] "number of clusters:  7"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  3  4  3  1  4  6  3  5  7 
 +
 +$correlation
 +[1] 0.7019599
 +
 +$label
 +[1] "number of clusters:  8"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  3  4  3  1  7  6  3  5  8 
 +
 +$correlation
 +[1] 0.727137
 +
 +$label
 +[1] "number of clusters:  9"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  7  4  7  1  8  6  7  5  9 
 +
 +$correlation
 +[1] 0.7743714
 +
 +$label
 +[1] "number of clusters:  10"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  4  3  7  5  2  8  5  8  4  9  7  8  6 10 
 +
 +$correlation
 +[1] 0.7919439
 +
 +$label
 +[1] "number of clusters:  11"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  4  3  7  5  2  8  5  8  4  9 10  8  6 11 
 +
 +$correlation
 +[1] 0.8093965
 +
 +$label
 +[1] "number of clusters:  12"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  5  2  9  5  9  7 10 11  9  6 12 
 +
 +$correlation
 +[1] 0.8445199
 +
 +$label
 +[1] "number of clusters:  13"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  5  2  9  5 10  7 11 12  9  6 13 
 +
 +$correlation
 +[1] 0.8700886
 +
 +$label
 +[1] "number of clusters:  14"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10  5 11  7 12 13 10  6 14 
 +
 +$correlation
 +[1] 0.8844067
 +
 +$label
 +[1] "number of clusters:  15"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10 11 12  7 13 14 10  6 15 
 +
 +$correlation
 +[1] 0.9115517
 +
 +$label
 +[1] "number of clusters:  16"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10 11 12  7 13 14 10 15 16 
 +
 +$correlation
 +[1] 0.9403353
 +
 +$label
 +[1] "number of clusters:  17"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10 11 12  7 13 14 15 16 17 
 +
 +$correlation
 +[1] 0.9502702
 +
 +$label
 +[1] "number of clusters:  18"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9 10 11 12 13  7 14 15 16 17 18 
 +
 +$correlation
 +[1] 0.9633198
 +
 +$label
 +[1] "number of clusters:  19"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  8  9 10 11 12 13 14  7 15 16 17 18 19 
 +
 +$correlation
 +[1] 0.9762881
 +
 +$label
 +[1] "number of clusters:  20"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 
 +
 +$correlation
 +[1] 0.9895545
 +
 +$label
 +[1] "number of clusters:  21"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 +
 +$correlation
 +[1] 1
 +
 +$correlations
 + [1]        NA 0.4896211 0.5944114 0.6398013 0.6538231 0.6723019 0.7019599 0.7271370 0.7743714 0.7919439 0.8093965 0.8445199 0.8700886 0.8844067 0.9115517 0.9403353
 +[17] 0.9502702 0.9633198 0.9762881 0.9895545 1.0000000
 +
 +> plot(clustered_observed_cors$correlations)
 +> 
 +> clustered_observed_cors$correlations
 + [1]        NA 0.4896211 0.5944114 0.6398013 0.6538231 0.6723019 0.7019599 0.7271370 0.7743714 0.7919439 0.8093965 0.8445199 0.8700886 0.8844067 0.9115517 0.9403353
 +[17] 0.9502702 0.9633198 0.9762881 0.9895545 1.0000000
 +>
 +</code>
 +{{:pasted:20191204-081317.png}}
 +
 +===== decision on # of clusters  =====
 +
 +<code> 
 +# From a visual inspection of the correlation matrix, we can 
 +# decide on the proper number of clusters in this network. 
 +# For this network, we'll use 6. (Note that the 1-cluster 
 +# solution doesn't appear on the plot because its correlation 
 +# with the observed correlation matrix is undefined.)
 +num_clusters = 4
 +clusters <- cutree(krack_friend_advice_hclust, k = num_clusters)
 +clusters
 +
 +cluster_cor_mat <- clusterCorr(krack_friend_advice_cors, clusters)
 +round(cluster_cor_mat,2)
 +
 +# Let's look at the correlation between this cluster configuration 
 +# and the observed correlation matrix. This should match the 
 +# corresponding value from clustered_observed_cors above.
 +gcor(cluster_cor_mat, krack_friend_advice_cors)
 +
 +</code>
 +
 +<code> 
 +#####################
 +# Questions:
 +# (1) What rationale do you have for selecting the number of 
 +# clusters / positions that you do?
 +#####################
 +  
 +### NOTE ON DEDUCTIVE CLUSTERING
 +
 +# It's pretty straightforward, using the code above, to explore
 +# your own deductive NetCluster. Simply supply your own cluster
 +# vector, where the elements in the vector are in the same order
 +# as the vertices in the matrix, and the values represent the
 +# cluster to which each vertex belongs. 
 +#
 +# For example, if you believed that actors 2, 7, and 8 formed one
 +# group, actor 16 former another group, and everyone else formed 
 +# a third group, you could represent this as follows:
 +deductive_clusters = c(1, 2, 1, 1, 1, 1, 2, 2, 1, 1, 1, 1, 1, 1,
 +                       1, 3)
 +
 +# You could then examine the fitness of this cluster configuration
 +# as follows:
 +deductive_cluster_cor_mat <- generate_cluster_cor_mat(krack_friend_advice_cors, deductive_clusters)
 +deductive_cluster_cor_mat
 +gcor(deductive_cluster_cor_mat, krack_friend_advice_cors)
 +
 +### END NOTE ON DEDUCTIVE CLUSTERING
 +
 +# Now we'll use the 4-cluster solution to generate blockmodels, 
 +# using the raw tie data from the underlying task and social 
 +# networks.
 +
 +# Friendship valued
 +friend_mean <- mean(as.matrix(krack_friend_matrix_row_to_col))
 +friend_mean
 +
 +friend_valued_blockmodel <- blockmodel(krack_friend_matrix_row_to_col, clusters)
 +friend_valued_blockmodel
 +
 +# friend binary
 +friend_density <- graph.density(krack_friend)
 +friend_density
 +
 +friend_binary_blockmodel <- blockmodel(as.matrix(krack_friend_matrix_row_to_col_bin), clusters)
 +friend_binary_blockmodel
 +
 +
 +# advice valued
 +advice_mean <- mean(as.matrix(krack_advice_matrix_row_to_col))
 +advice_mean
 +
 +advice_valued_blockmodel <- blockmodel(as.matrix(krack_advice_matrix_row_to_col), clusters)
 +advice_valued_blockmodel
 +
 +# advice binary
 +advice_density <- graph.density(krack_advice)
 +advice_density
 +
 +advice_binary_blockmodel <- blockmodel(as.matrix(krack_advice_matrix_row_to_col_bin), clusters)
 +advice_binary_blockmodel
 +
 +
 +
 +# We can also permute the network to examine the within- and 
 +# between-cluster correlations. 
 +
 +cluster_cor_mat_per <- permute_matrix(clusters, cluster_cor_mat)
 +cluster_cor_mat_per
 +</code>
 +
 +<code>
 +#####################
 +# Questions:
 +# (2) What is the story you get from viewing these clusters, 
 +# and their within and between cluster densities on task and 
 +# social interaction? What can you say about M182 from this?
 +#####################
 ##################### #####################
 # Questions: # Questions:
krackhardt_datasets.1575413804.txt.gz · Last modified: 2019/12/04 07:56 by hkimscil
Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki