Randomisierungen für gewichtete Clusterbildung
Wir sehen Hinweise für die Hypothese, dass ein Graph mit geringer Konnektivität auch eine sehr hohe Clusterbildung aufweist – deutlich höher als zufällig. Unser Graph ist jedoch mehr als nur ungerichtet: Er hat auch Gewichte, die die Anzahl der Fahrten darstellen. Daher müssen wir in unserer Randomisierung mehrere Dinge berücksichtigen. Erstens ist die gewichtete Version der Metrik nur lokal, das heißt, es wird ein Transitivitätswert für jeden Knoten berechnet. Zweitens enthält der Zufallsgraph keine Gewichte. Um beide Probleme zu lösen, betrachten wir die mittlere Knotentransitivität und implementieren ein etwas komplexeres Randomisierungsschema.
Um die gewichtete Knotentransitivität eines Netzwerks zu berechnen, musst du in deinem Aufruf von transitivity() type auf "weighted" setzen.
Das Netzwerk der Fahrradfahrten, 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.
# Find the mean local weighted clustering coeffecient using transitivity()
actual_mean_weighted_trans <- mean(___(___, type = "weighted"))
# Calculate the order
n_nodes <- ___(trip_g_simp)
# Calculate the edge density
edge_dens <- edge_density(___)
# Get edge weights
edge_weights <- E(___)$___