Bipartite Graphen als Matrizen

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

Fortgeschrittene Netzwerkanalyse in Python

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

65 reviews

Kurs kostenlos starten

In diesem Kapitel lernst du Bipartit-Grafen kennen und wie sie in Empfehlungssystemen eingesetzt werden. Du untersuchst erneut den GitHub-Datensatz aus dem vorherigen Kurs – diesmal analysierst du den zugrunde liegenden bipartiten Grafen, aus dem der zuvor verwendete Graf erzeugt wurde. Zum Schluss baust du die grundlegenden Bausteine eines Empfehlungssystems mit den GitHub-Daten!

Exercise 1: Begriffe & kurze Wiederholung Exercise 2: Explorative Datenanalyse Exercise 3: Plotten mit nxviz Exercise 4: Bipartite Graphen Exercise 5: Das Schlüsselwort bipartite Exercise 6: Verteilung der Degree-Centrality der Nutzer-Knoten Exercise 7: Verteilung der Degree-Centrality von Projektknoten Exercise 8: Bipartite Graphen und Empfehlungssysteme Exercise 9: Geteilte Knoten in anderer Partition Exercise 10: Ähnlichkeitsmetrik für Nutzer Exercise 11: Ähnliche Nutzer finden Exercise 12: Repositories empfehlen

In diesem Kapitel nutzt du einen berühmten Datensatz aus der Amerikanischen Revolution, um tiefer in die Analyse von Bipartit-Grafen einzusteigen. Du lernst, die unipartite Projektion eines bipartiten Grafen zu erstellen – eine sehr hilfreiche Methode, um ein komplexes Netzwerk für weitere Analysen zu vereinfachen. Außerdem erfährst du, wie du Matrizen zur Verarbeitung und Analyse von Grafen einsetzt – da viele Rechenroutinen für Matrizen optimiert sind, kannst du auch große Grafen schnell und effizient analysieren!

Exercise 1: Konzept der Projektion Exercise 2: Graphen einlesen Exercise 3: Projektion berechnen Exercise 4: Degree Centrality auf der Projektion plotten Exercise 5: Bipartite Graphen als Matrizen

Aktuelle Übung

Exercise 6: Eigenschaften bipartiter Adjazenzmatrizen.Exercise 7: Adjazenzmatrix berechnen Exercise 8: Gemeinsame Mitgliedschaft finden: Transposition Exercise 9: Netzwerkdaten mit pandas darstellen Exercise 10: Nodelist erstellen Exercise 11: Edgelist erstellen

In diesem Kapitel vertiefst du die grundlegenden Methoden zur Analyse von Grafen, die sich über die Zeit verändern. Du untersuchst einen Datensatz zur Nachrichtenhäufigkeit zwischen Studierenden und lernst, wichtige sich entwickelnde Graf-Statistiken zu visualisieren.

Exercise 1: Einführung in Graphunterschiede Exercise 2: Liste von Graphen Exercise 3: Graphen-Unterschiede über die Zeit Exercise 4: Anzahl der Kantenänderungen über die Zeit plotten Exercise 5: Entwickelnde Graph-Statistiken Exercise 6: Anzahl der Kanten im Zeitverlauf Exercise 7: Degree-Centrality im Zeitverlauf Exercise 8: Rein- und Rauszoomen: Zusammenfassung des gesamten Graphen Exercise 9: Knoten mit den höchsten Degree-Centralities finden Exercise 10: Konnektivität visualisieren

In diesem Kapitel wendest du alles aus den ersten drei Kapiteln auf einen Datensatz mit Forenbeiträgen an. Du analysierst die zeitlichen Veränderungen in den Verbindungsstrukturen der Forennutzer und erstellst Visualisierungen zu sich ändernden Graf-Statistiken im Zeitverlauf.

Exercise 1: Einführung in den Datensatz Exercise 2: Erstelle einen Graphen aus dem pandas DataFrame Exercise 3: Veranschauliche die Verteilung der Degree Centrality in der Studenten-Projektion Exercise 4: Visualisiere die Verteilung der Degree Centrality der Forums-Projektion Exercise 5: Zeitbasierte Filterung Exercise 6: Zeitfilter auf Kanten Exercise 7: Gefilterten Graphen mit nxviz visualisieren Exercise 8: Zeitreihenanalyse Exercise 9: Anzahl der Beiträge im Zeitverlauf plotten Exercise 10: Extrahiere die durchschnittliche Degree Centrality tagesscharf auf der Studierenden-Partition Exercise 11: Finde die beliebtesten Foren Tag für Tag: I Exercise 12: Finde die beliebtesten Foren Tag für Tag: II Exercise 13: Glückwunsch!