Graph-Distanz mit geografischer Distanz vergleichen

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Diese Übung ist Teil des Kurses

Fallstudien: Netzwerkanalyse in R

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

37 reviews

Kurs kostenlos starten

In diesem Kapitel untersuchst du einen Ausschnitt eines Amazon-Kaufgraphen. Du knüpfst an das Gelernte an, identifizierst wichtige Produkte und findest heraus, was Käufe antreibt. Außerdem siehst du dir an, wie sich Graphen im Laufe der Zeit verändern, indem du den Graphen in verschiedenen Zeiträumen betrachtest.

Exercise 1: Deinen Datensatz erkunden Exercise 2: Dyaden und Triaden finden Exercise 3: Clustering und Reziprozität Exercise 4: Wichtige Produkte Exercise 5: Was macht ein wichtiges Produkt aus?Exercise 6: Zeitliche Struktur erkunden Exercise 7: Metriken über die Zeit Exercise 8: Metriken im Zeitverlauf plotten

In dieser Lektion analysierst du Twitter-Daten zu R, indem du dir Gespräche mit „#rstats“ ansiehst. Zuerst wirfst du einen Blick auf die Rohdaten und überlegst, wie du deinen Graphen aufbauen möchtest. Es gibt mehrere Möglichkeiten; wir behandeln zwei: Retweets und Erwähnungen. Du erstellst diese Graphen und vergleichst sie anschließend anhand mehrerer Kennzahlen.

Exercise 1: Erstelle deinen Retweet-Graphen Exercise 2: Den Graphen visualisieren Exercise 3: Knoten nach Grad visualisieren Exercise 4: Wie verteilt sich Zentralität?Exercise 5: Wer ist in der Unterhaltung wichtig?Exercise 6: Wichtige Knoten visualisieren Exercise 7: Einen Mentions-Graphen erstellen Exercise 8: Vergleich von Mention- und Retweet-Graph Exercise 9: Assortativität und Reziprozität Exercise 10: Herausfinden, wer mit wem spricht Exercise 11: Communities finden Exercise 12: Vergleich von Community-Algorithmen Exercise 13: Communities visualisieren

In diesem Kapitel analysierst du Daten aus einem Bike-Sharing-Netzwerk in Chicago. Wir bauen auf den Konzepten aus dem Einführungskurs auf und ergänzen einige neue, um mit Graphen mit gewichteten Kanten umzugehen. Außerdem startest du mit Daten in einer etwas roheren Form und lernst, wie du deinen Graphen aus einer potenziellen Datenquelle aufbaust.

Exercise 1: Aus Rohdaten einen Graphen erstellen Exercise 2: Grafen für verschiedene Nutzertypen erstellen Exercise 3: Vergleiche Graphen verschiedener Nutzertypen Exercise 4: Graph-Distanz mit geografischer Distanz vergleichen

Aktuelle Übung

Exercise 5: Vergleiche Distanzen: Abonnent vs. Nicht-Abonnent Exercise 6: Meist angefahrene Start- und Zielstationen Exercise 7: Meist frequentierte Start- und Zielstationen mit Gewichten Exercise 8: Zentrale Knoten visualisieren Exercise 9: Gewichtete Zentralitätsmaße Exercise 10: Konnektivität Exercise 11: Finde den minimalen Schnitt 1 Exercise 12: Finde den minimalen Schnitt 2 Exercise 13: Ungewichtete Clustering‑Randomisierungen Exercise 14: Randomisierungen für gewichtete Clusterbildung

Bisher haben wir alles mit den Plotfunktionen von igraph visualisiert. Das bietet viele leistungsfähige Möglichkeiten, deine Graphdaten darzustellen. Viele bevorzugen jedoch andere Plot-Frameworks wie ggplot2 oder sogar interaktive Frameworks wie d3.js. In dieser Lektion lernst du weitere Bibliotheken kennen, die auf dem ggplot2-Framework aufbauen. Außerdem schaust du dir andere, nicht „Hairball“-artige Methoden wie Hive Plots an und erstellst interaktive sowie animierte Plots.

Exercise 1: Weitere Pakete zum Plotten von Graphen!Exercise 2: ggnet-Grundlagen Exercise 3: Grundlagen von ggnetwork Exercise 4: Weitere ggnet-Plotoptionen Exercise 5: Weitere Plot-Optionen mit ggnetwork Exercise 6: Interaktive Visualisierungen Exercise 7: Interaktive Plots mit ggiraph Exercise 8: Interaktive JavaScript-Plots Exercise 9: Alternative Visualisierungen Exercise 10: Alternative Möglichkeiten, einen Graphen zu visualisieren: Hive Plots Exercise 11: BioFabric als HTML-Widget Exercise 12: Graphen auf einer Karte plotten