网络可视化在科学实践中变得很普遍。但随着网络规模的不断扩大，普通的可视化变得越来越不有用。节点/顶点和链接/边太多。通常，可视化工作最终会产生“毛球”。
已经提出了一些新方法来克服这一问题，例如：
我相信还有更多的方法。因此，我的问题是：如何克服毛球问题，即如何通过使用R来可视化大型网络？
以下是一些模拟示例性网络的代码：
# Load packages
lapply(c("devtools", "sna", "intergraph", "igraph", "network"), install.packages)
library(devtools)
devtools::install_github(repo="ggally", username="ggobi")
lapply(c("sna", "intergraph", "GGally", "igraph", "network"),
require, character.only=T)
# Set up data
set.seed(123)
g <- barabasi.game(1000)
# Plot data
g.plot <- ggnet(g, mode = "fruchtermanreingold")
g.plot
这个问题与可视化对于GraphViz？来说太大的无向图有关？。然而，我在这里搜索的不是一般的软件建议，而是具体的示例（使用上面提供的数据），这些技术有助于通过使用R（与本线程中的示例类似：R：具有过多点的散点图）实现大型网络的良好可视化。
另一种可视化大型网络的方法是使用BioFabric（www.BioFabric.org），它使用水平线而不是点来表示节点。然后使用垂直线段显示边。此技术的快速D3演示如所示：http://www.biofabric.org/gallery/pages/SuperQuickBioFabric.html.
BioFabric是一个Java应用程序，但简单的R版本可在以下网站获得：https://github.com/wjrl/RBioFabric.
下面是一段R代码：
# You need 'devtools':
install.packages("devtools")
library(devtools)
# you need igraph:
install.packages("igraph")
library(igraph)
# install and load 'RBioFabric' from GitHub
install_github('RBioFabric', username='wjrl')
library(RBioFabric)
#
# This is the example provided in the question:
#
set.seed(123)
bfGraph = barabasi.game(1000)
# This example has 1000 nodes, just like the provided example, but it
# adds 6 edges in each step, making for an interesting shape; play
# around with different values.
# bfGraph = barabasi.game(1000, m=6, directed=FALSE)
# Plot it up! For best results, make the PDF in the same
# aspect ratio as the network, though a little extra height
# covers the top labels. Given the size of the network,
# a PDF width of 100 gives us good resolution.
height <- vcount(bfGraph)
width <- ecount(bfGraph)
aspect <- height / width;
plotWidth <- 100.0
plotHeight <- plotWidth * (aspect * 1.2)
pdf("myBioFabricOutput.pdf", width=plotWidth, height=plotHeight)
bioFabric(bfGraph)
dev.off()
下面是提问者提供的数据的BioFabric版本的快照，尽管网络是用m值创建的
全面披露：BioFabric是我写的一个工具。
这是一个有趣的问题，我不知道你列出的大多数工具，所以谢谢。可以将HivePlot添加到列表中。这是一种确定性方法，包括在固定数量的轴（通常为2或3）上投影节点。看看链接的页面，有很多可视化的例子。
如果您的数据集中有一个分类节点属性，那么效果会更好，这样您就可以使用它来选择节点指向哪个轴。例如，在研究大学的社会网络时：学生在一个轴上，教师在另一个轴上，行政人员在第三个轴上。当然，它也可以处理离散化的数字属性（例如，年轻人、中年人和老年人在各自的轴上）。
然后您需要另一个属性，这次它必须是数字（或至少是序号）。它用于确定节点在其轴上的位置。您还可以使用一些拓扑度量，例如度或传递性（聚类系数）。
该方法是确定性的这一事实很有趣，因为它允许比较代表不同（但可比）系统的不同网络。例如，您可以比较两所大学（前提是您使用相同的属性/度量来确定轴和位置）。它还允许以各种方式描述相同的网络，通过选择属性/度量的不同组合来生成可视化。实际上，这是可视化网络的重新命令的方式，这要归功于所谓的蜂巢面板。
我在本文开头提到的页面中列出了几个能够生成这些蜂巢图的软件，包括Java和R语言的实现。
我最近一直在处理这个问题。因此，我想出了另一个解决方案。按社区/簇折叠图形。该方法类似于上面OP概述的第三个选项。作为警告，这种方法最适合无向图。例如：
library(igraph)
set.seed(123)
g <- barabasi.game(1000) %>%
as.undirected()
#Choose your favorite algorithm to find communities. The algorithm below is great for large networks but only works with undirected graphs
c_g <- fastgreedy.community(g)
#Collapse the graph by communities. This insight is due to this post http://stackoverflow.com/questions/35000554/collapsing-graph-by-clusters-in-igraph/35000823#35000823
res_g <- simplify(contract(g, membership(c_g)))
此过程的结果如下图所示，其中顶点的名称表示社区成员身份。
plot(g, margin = -.5)
上述情况显然比这可怕的混乱要好
plot(r_g, margin = -.5)
要将社区链接到原始顶点，需要类似于以下内容的内容
mem <- data.frame(vertices = 1:vcount(g), memeber = as.numeric(membership(c_g)))
在我看来，这是一个很好的方法，有两个原因。首先，理论上它可以处理任意大小的图。找到社区的过程可以在折叠图上不断重复。其次，采用交互式方法将产生非常可读的结果。例如，可以想象用户能够单击折叠图中的一个顶点来扩展该社区，从而显示其所有原始顶点。
