Egenskaper hos bipartita adjacensmatriser.

Låt oss repetera begrepp om bipartita grafer och deras adjacensmatriser.

Vilket av följande påståenden bäst beskriver bipartita adjacensmatriser?

Den här övningen är en del av kursen

Nätverksanalys i Python – fortsättningskurs

Visa kurs

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Nätverksanalys i Python – fortsättningskurs

SkillTag.level.advancedSkillTag.label

4.8+

79 reviews

Starta kursen gratis

I det här kapitlet lär du dig om bipartita grafer och hur de används i rekommendationssystem. Du utforskar GitHub-datasetet från den tidigare kursen, den här gången med fokus på den underliggande bipartita grafen som användes för att skapa den graf du arbetade med tidigare. Till sist får du möjlighet att bygga grundkomponenterna i ett rekommendationssystem med hjälp av GitHub-data!

Exercise 1: Definitioner & grundläggande repetition Exercise 2: Explorativ dataanalys Exercise 3: Visualisering med nxviz Exercise 4: Bipartita grafer Exercise 5: Nyckelordet bipartite Exercise 6: Fördelning av graders centralitet för användarnoder Exercise 7: Fördelning av graders centralitet för projektnoder Exercise 8: Bipartite grafer och rekommendationssystem Exercise 9: Delade noder i den andra partitionen Exercise 10: Likhetsmått för användare Exercise 11: Hitta liknande användare Exercise 12: Rekommendera arkiv

I det här kapitlet använder du ett välkänt dataset om den amerikanska revolutionen för att utforska bipartita grafer på djupet. Du lär dig hur du skapar den unipartita projektionen av en bipartit graf – en mycket användbar metod för att förenkla ett komplext nätverk inför vidare analys. Du lär dig också hur du använder matriser för att manipulera och analysera grafer. Eftersom många beräkningsrutiner är optimerade för matriser kan du analysera stora grafer snabbt och effektivt!

Exercise 1: Konceptet projektion Exercise 2: Läsa in grafer Exercise 3: Beräkna projektion Exercise 4: Rita gradsentralitetsfördelning för projektioner Exercise 5: Bigrafer som matriser Exercise 6: Egenskaper hos bipartita adjacensmatriser.

Aktuell övning

Exercise 7: Beräkna adjacensmatris Exercise 8: Hitta gemensamt medlemskap: Transponering Exercise 9: Representera nätverksdata med pandas Exercise 10: Skapa nodlista Exercise 11: Skapa en kantlista

I det här kapitlet fördjupar du dig i de grundläggande metoderna för att analysera grafer som förändras över tid. Du utforskar ett dataset som beskriver meddelandefrekvens mellan studenter och lär dig visualisera viktiga grafstatistiker som utvecklas över tid.

Exercise 1: Introduktion till grafdifferenser Exercise 2: Lista med grafer Exercise 3: Grafskillnader över tid Exercise 4: Plotta antal kantförändringar över tid Exercise 5: Grafstatistik över tid Exercise 6: Antal kanter över tid Exercise 7: Graden av centralitet över tid Exercise 8: Zooma in & zooma ut: Övergripande grafsammanfattning Exercise 9: Hitta noder med högst graders centralitet Exercise 10: Visualisera konnektivitet

I det här kapitlet tillämpar du allt du lärt dig i de tre föregående kapitlen på ett dataset med foruminlägg. Du analyserar hur forumanvändarnas kopplingsmönster förändras över tid och skapar visualiseringar av grafstatistiker som utvecklas.

Exercise 1: Introduktion till datamängden Exercise 2: Skapa en graf från en pandas DataFrame Exercise 3: Visualisera fördelningen av graders centralitet för studentprojektionen Exercise 4: Visualisera fördelningen av graders centralitet för forumsprojektionen Exercise 5: Tidsbaserad filtrering Exercise 6: Tidsfilter på kanter Exercise 7: Visualisera det filtrerade grafen med nxviz Exercise 8: Tidsserieanalys Exercise 9: Plotta antalet inlägg över tid Exercise 10: Beräkna den genomsnittliga graden av centralitet dag för dag i studentpartitionen Exercise 11: Hitta de mest populära forumen dag för dag: I Exercise 12: Hitta de mest populära forumen dag för dag: II Exercise 13: Grattis!