Randomisations de clustering pondéré
Nous avons des éléments en faveur de l’hypothèse selon laquelle un graphe faiblement connecté présente aussi un clustering très élevé, bien au-dessus de ce qu’on obtiendrait par hasard. Mais notre graphe n’est pas seulement non orienté : il est également pondéré, avec des poids représentant le nombre de trajets effectués. Nous devons donc tenir compte de plusieurs aspects dans notre randomisation. Premièrement, la version pondérée de la mesure est uniquement locale ; une valeur de transitivité est donc 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 des sommets d’un réseau, vous devez définir type à "weighted" dans votre appel à transitivity().
Le réseau de trajets à vélo, trip_g_simp, est disponible.
Cet exercice fait partie du cours
Études de cas : l’analyse de réseaux avec R
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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(___)$___