การพล็อตเมตริกตามช่วงเวลา
นอกจากนี้ยังสามารถตรวจสอบได้ว่าเมตริกของกราฟโดยรวมเปลี่ยนแปลงไปอย่างไร (หรือไม่เปลี่ยนแปลง) ตามช่วงเวลา ก่อนหน้านี้เราได้ดูเมตริกสำคัญสองตัว ได้แก่ การคลัสเตอร์ริง (clustering) และการตอบแทนกัน (reciprocity) ซึ่งทั้งคู่มีค่าสูงมาก ตามที่คาดไว้หลังจากตรวจสอบโครงสร้างกราฟด้วยสายตา อย่างไรก็ตาม เมตริกเหล่านี้อาจเปลี่ยนแปลงได้ตามเวลา รูปแบบการซื้อสินค้าโดยรวมบน Amazon มีความเสถียรหรือไม่? หากคิดว่าใช่ ก็คาดว่ากราฟของเมตริกเหล่านี้จะเป็นเส้นแนวนอนโดยประมาณ ซึ่งบ่งชี้ว่าค่า reciprocity ใกล้เคียงกันในแต่ละวัน และมีโครงสร้างการคลัสเตอร์ในระดับสูง มาดูกันว่าจะพบอะไรบ้าง
โค้ดสำหรับคำนวณ transitivity แยกตามกราฟแสดงไว้แล้ว
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
กรณีศึกษา: การวิเคราะห์เครือข่ายใน R
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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 = ___ )