Gewogen clustering-randomisaties
We zien steun voor de hypothese dat een graaf met lage connectiviteit ook een heel hoge clustering heeft, veel hoger dan op basis van toeval. Maar onze graaf is meer dan alleen een ongerichte graaf: hij heeft ook gewichten die het aantal ritten weergeven. We moeten dus met meerdere dingen rekening houden in onze randomisatie. Ten eerste is de gewogen versie van de maat alleen lokaal, dus er wordt een transitiviteitswaarde voor elk knooppunt berekend. Ten tweede bevat de willekeurige graaf geen gewichten. Om beide problemen op te lossen, kijken we naar de gemiddelde transitiviteit per knooppunt en implementeren we een iets ingewikkelder randomisatieschema.
Om de gewogen knooppunttransitiviteit van een netwerk te berekenen, moet je type op "weighted" zetten in je aanroep van transitivity().
Het fietsrittennetwerk trip_g_simp is beschikbaar.
Deze oefening maakt deel uit van de cursus
Casestudies: netwerkanalyse in R
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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(___)$___