Začněte nyníZačněte zdarma

Výpočet průměrné centralnosti stupně v oddílu studentů – den po dni

Teď se podíváš, zda průměrná centralnost stupně přes všechny uzly koreluje s počtem hran sledovaných v čase. Silná korelace nemusí nutně existovat – a právě to si ověříš.

Toto cvičení je součástí kurzu

Intermediate Network Analysis in Python

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř nový graf G_sub, který bude obsahovat podmnožinu hran.
  • Přidej uzly z grafu G včetně jejich metadat.
  • Přidej hrany splňující daná kritéria pomocí metody .add_edges_from().
  • Získej projekci studentů G_student_sub z G_sub pomocí funkce nx.bipartite.projected_graph().
  • Vypočítej centralnost stupně projekce studentů pomocí nx.degree_centrality() (nepoužívej bipartitní verzi).
  • Přidej průměrnou centralnost stupně do seznamu mean_dcs. Nezapomeň nejdříve převést dc.values() na seznam.
  • Klikni na Submit Answer a prohlédni si výsledný graf!

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

from datetime import datetime, timedelta
import numpy as np
import networkx as nx
import matplotlib.pyplot as plt

# Initialize a new list: mean_dcs
mean_dcs = []
curr_day = dayone
td = timedelta(days=2)

while curr_day < lastday:
    if curr_day.day == 1:
        print(curr_day)  
    # Instantiate a new graph containing a subset of edges: G_sub
    G_sub = ____
    # Add nodes from G
    G_sub.____(____)
    # Add in edges that fulfill the criteria
    G_sub.____([(u, v, d) for u, v, d in G.edges(data=True) if d['date'] >= curr_day and d['date'] < curr_day + td])
    
    # Get the students projection
    G_student_sub = ____
    # Compute the degree centrality of the students projection
    dc = ____
    # Append mean degree centrality to the list mean_dcs
    mean_dcs.____(np.mean(____(dc.values())))
    # Increment the time
    curr_day += td
    
plt.plot(mean_dcs)
plt.xlabel('Time elapsed')
plt.ylabel('Degree centrality.')
plt.show()
Upravit a spustit kód