Průzkumná analýza dat

Do tvého pracovního prostředí byl načten graf G. Tvým úkolem je provést základní průzkumnou analýzu v IPython Shellu. Jakého typu je tento graf? Kolik obsahuje uzlů a hran?

Hodí se ti metody .nodes() a .edges() a také funkce type() a len(). S jejich pomocí popíšeš základní statistiky grafu. Až graf prozkoumáš, vyber správnou odpověď níže.

Toto cvičení je součástí kurzu

Intermediate Network Analysis in Python

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Intermediate Network Analysis in Python

SkillTag.level.advancedSkillTag.label

4.8+

Začněte kurz zdarma

V této kapitole se naučíš pracovat s bipartitními grafy a zjistíš, jak se používají v doporučovacích systémech. Prozkoumáš dataset GitHubu z předchozího kurzu – tentokrát se zaměříš na bipartitní graf, který stál za grafem, s nímž jsi pracoval/a dříve. Na závěr si vyzkouší sestavit základní komponenty doporučovacího systému na základě dat z GitHubu!

Exercise 1: Definice a základní opakování Exercise 2: Průzkumná analýza dat

Aktuální cvičení

Exercise 3: Vizualizace pomocí nxviz Exercise 4: Bipartitní grafy Exercise 5: Klíčové slovo bipartite Exercise 6: Distribuce centrality stupňů uzlů uživatelů Exercise 7: Rozdělení centralnosti stupně uzlů projektů Exercise 8: Bipartitní grafy a doporučovací systémy Exercise 9: Sdílené uzly v druhé části grafu Exercise 10: Metrika podobnosti uživatelů Exercise 11: Najdi podobné uživatele Exercise 12: Doporučování repozitářů

V této kapitole využiješ slavný dataset o Americké revoluci k hlubšímu prozkoumání bipartitních grafů. Naučíš se vytvářet unipartitní projekci bipartitního grafu – velmi užitečnou metodu pro zjednodušení složité sítě před další analýzou. Kromě toho zjistíš, jak pracovat s maticemi při manipulaci s grafy a jejich analýze. Díky výpočetním rutinám optimalizovaným pro matice budeš schopen/schopna rychle a efektivně analyzovat i velké grafy!

Exercise 1: Koncept projekce Exercise 2: Načítání grafů Exercise 3: Výpočet projekce Exercise 4: Vykreslení centralit stupně na projekci Exercise 5: Bipartite grafy jako matice Exercise 6: Vlastnosti bipartitních matic sousednosti.Exercise 7: Výpočet matice sousednosti Exercise 8: Sdílené členství: transpozice Exercise 9: Reprezentace síťových dat pomocí pandas Exercise 10: Vytvoř nodelist Exercise 11: Vytvoření edgelistu

V této kapitole se ponoříš do základních metod analýzy grafů, které se v čase mění. Prozkoumáš dataset popisující frekvenci zpráv mezi studenty a naučíš se vizualizovat klíčové statistiky vyvíjejících se grafů.

Exercise 1: Úvod do rozdílů mezi grafy Exercise 2: Seznam grafů Exercise 3: Rozdíly v grafu v průběhu času Exercise 4: Vykresli počet změn hran v čase Exercise 5: Vyvíjející se statistiky grafu Exercise 6: Počet hran v čase Exercise 7: Centralita stupně v čase Exercise 8: Přiblížení a oddálení: celkový souhrn grafu Exercise 9: Nalezení uzlů s nejvyššími hodnotami degree centrality Exercise 10: Vizualizace konektivity

V této kapitole uplatníš vše, co ses naučil/a v předchozích třech kapitolách, na dataset příspěvků z fóra. Analyzuješ časové změny ve vzorcích propojení uživatelů fóra a vytvoříš vizualizace vyvíjejících se statistik grafů v čase.

Exercise 1: Seznámení s datasetem Exercise 2: Vytvoření grafu z pandas DataFrame Exercise 3: Vizualizace rozdělení degree centrality v projekci studentů Exercise 4: Vizualizace rozložení degree centrality projekce fór Exercise 5: Filtrování podle času Exercise 6: Časový filtr na hranách Exercise 7: Vizualizace filtrovaného grafu pomocí nxviz Exercise 8: Analýza časových řad Exercise 9: Vykresli počet příspěvků v čase Exercise 10: Výpočet průměrné centralnosti stupně v oddílu studentů – den po dni Exercise 11: Nejoblíbenější fóra den po dni: I Exercise 12: Najdi nejpopulárnější fóra den po dni: II Exercise 13: Gratulujeme!