*グループに分ける

 library(sna)
 load(file="0Mat.rda") 
 dim(Mat)
 gden(Mat) #密度　=0でないペアの割合
 
 #degreeを算出
 dg<-degree(Mat)
*復習　これは何を計算したのか?
 stem(dg)
 
 #50回以上の出入りがあった者に限定
 m<-Mat[dg>50,dg>50]
 dim(m)  #[1] 132 132

 #イメージ図をみてみる　色が白い=やりとりが多い
 image(m)
 rownames(m)
 #図をみてみる　色が濃い=やりとりが多い　に逆転する
 max(m) # 108
 image(108-m)
 rownames(m)
 
 #この人達だけに限定して degree
 dg2<-degree(m)
 stem(dg2)
 #単純に合計のやりとり数が大きい順に行列を並び替える
 od<-order(dg2,decreasing = T)#多い順番
 m2<-m[od,od]
 image(108-m2)

*やりとりが多い人達を階層クラスター分析でグループにまとめてみる
**そのためには距離行列に変換する
**現在のデータはメッセージのやりとりの多さ｡　距離=値が大きいほど離れている　にするために　最大値から引く｡それを距離行列に変換 
 d<-dist(108-m)
 #これが各人の距離　値が大きいほど疎遠
 d

 **練習　もっとも距離が近いのは誰と誰?

 #階層型クラスター分析　=距離がちかいものから順に結合する｡
 res.h<-hclust(d)
 plot(res.h)   #縦軸は距離　　下に行くほど距離が近いことになる｡
 
 #どのような順番で結合したか?　マイナス付はもともとの人の番号
 #マイナスなしの　例えば　2　は2段階目でつくられたクラスタの意味
 res.h$merge
 #       [,1] [,2]
 #  [1,]  -69 -113
 #  [2,]   -5  -74
 #  [3,]  -19    2
 #  [4,]  -57  -98
 #  [5,]    3    4
 #  [6,]   -8 -127

**3段階目､4段階目で併合されたのはだれと誰?
 #人名リスト
 rownames(m)

*この結果を使ってmをブロックモデルで分割　k=4でブロック数を指定
 res.b<-blockmodel(m,res.h,k=4)
 
 table(res.b$block.membership)  #各ブロックに含まれる人数
 #  1   2   3   4 
 #112  18   1   1 

 res.b$block.membership[order(res.b$block.membership)]#各ブロックのメンバー
*練習　各ブロックにはどのような人がいるか?

 plot(res.b)#イメージプロット
 mb<-m[order(res.b$block.membership),order(res.b$block.membership)]
 image(108-mb)

*練習
**階層型クラスタ分析のツリーをみながら､ブロック数を適宜指定して､ブロックモデルを実行してみる
**全メンバーに対して同様のことをしてみる｡いくつくらいのブロックが適当か？それぞれのブロック（に含まれる人）の特徴は？