Randomisations de la pondération du coefficient de groupement
Nous observons des éléments en faveur de l'hypothèse selon laquelle un graphe faiblement connecté présenterait aussi un très fort coefficient de groupement, bien supérieur au hasard. Mais notre graphe n'est pas qu'un graphe non orienté : il comporte aussi des poids représentant le nombre de déplacements effectués. Nous avons donc plusieurs aspects à considérer dans notre randomisation. Premièrement, la version pondérée de la mesure est uniquement locale : une valeur de transitivité est calculée pour chaque sommet. Deuxièmement, le graphe aléatoire n'inclut pas de poids. Pour résoudre ces deux problèmes, nous allons examiner la transitivité moyenne par sommet et mettre en œuvre un schéma de randomisation légèrement plus complexe.
Pour calculer la transitivité pondérée d'un sommet dans un réseau, vous devez définir type à "weighted" dans votre appel à transitivity().
Le réseau de trajets à vélo, trip_g_simp, est disponible.
Cette activité fait partie du cours
Études de cas : analyse de réseaux en R
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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(___)$___