Ungewichtete Clustering‑Randomisierungen
Wir haben gesehen, dass der Bike‑Graph im Vergleich zu einem Zufallsgraphen eine sehr geringe Konnektivität aufweist. Das ist nicht überraschend, denn bei einem Graphen, der geografischen Raum abbildet, erwarten wir Bereiche, die nur durch schmale Korridore verbunden sind – der Graph lässt sich also mit wenig Aufwand trennen. Daraus folgt, dass es wahrscheinlich geografische Cluster gibt, die untereinander stark und mit anderen Clustern schwächer verbunden sind. Diese Hypothese können wir testen, indem wir uns die Transitivität des Netzwerks bzw. den Clustering‑Koeffizienten anschauen – ein Konzept aus der Einführung. Es gibt verschiedene Definitionen des Clustering‑Koeffizienten; wir betrachten die globale Definition (im Wesentlichen den Anteil vollständig geschlossener Dreiecke), also dieselbe wie zuvor. Zuerst schauen wir uns eine ungewichtete Version des Graphen an und vergleichen sie mit einem Zufallsgraphen.
Um die globale Transitivität eines Netzwerks zu berechnen, musst du in deinem Aufruf von transitivity() type auf "global" setzen.
Das Bike‑Trip‑Netzwerk trip_g_simp ist verfügbar.
Diese Übung ist Teil des Kurses
Fallstudien: Netzwerkanalyse in R
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Calculate global transitivity
actual_global_trans <- transitivity(___, type = "___")
# See the result
actual_global_trans
# Calculate the order
n_nodes <- ___(___)
# Calculate the edge density
edge_dens <- ___(___)