Statistieken in de tijd plotten
We kunnen ook bekijken hoe statistieken voor de volledige graaf in de loop van de tijd wel of niet veranderen. Eerder keken we naar twee belangrijke: clustering en wederkerigheid. Beide waren behoorlijk hoog, zoals we verwachtten na een visuele inspectie van de graafstructuur. Maar door de tijd heen kunnen deze veranderen. Zijn globale aankooppatronen op Amazon stabiel? Als we dat denken, verwachten we dat grafieken van deze statistieken in feite horizontale lijnen zijn: wederkerigheid blijft ongeveer gelijk per dag en er is een sterke clusteringstructuur. Laten we kijken wat we hier kunnen ontdekken.
Code om de transitiviteit per graaf te berekenen is weergegeven.
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.
# Examine this code
transitivity_by_graph <- data.frame(
date = d,
metric = "transitivity",
score = sapply(all_graphs, transitivity)
)
# Calculate reciprocity by graph
reciprocity_by_graph <- data.frame(
date = ___,
metric = ___,
score = ___ )