Kullanıcı düğümlerinin derece merkezilik dağılımı

Bu egzersizde ve bir sonraki egzersizde, önceki kurstaki materyalin son bir tekrarını yapacaksın. Görevin, GitHub işbirliği ağının iki parçalı (bipartite) sürümünde, her düğüm bölümünün derece merkezilik dağılımlarını çizmek. Burada bunu 'users' bölümü için yapacaksın. Sonraki egzersizde ise 'projects' bölümü için yapacaksın.

Daha önce yazdığın get_nodes_from_partition() fonksiyonu senin için yüklendi. Hatırlatmak için, "derece merkeziliği" bir düğümün öneminin bir ölçüsüdür ve "derece merkezilik dağılımı" ise grafikteki tüm düğümlerin derece merkezilik puanlarının listesidir. Birkaç egzersiz önce, circos grafiğini oluştururken, derece merkeziliklerini senin için hesaplamıştık. Şimdi bunu kendin yapmayı pratik edeceksin!

Bu egzersiz

Python ile Orta Düzey Ağ (Network) Analizi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

matplotlib.pyplot modülünü plt adıyla içe aktar.
Önceki egzersizdeki get_nodes_from_partition() fonksiyonunu kullanarak, G’nin 'users' düğümlerine karşılık gelen user_nodes adlı bir liste elde et.
nx.degree_centrality() fonksiyonunu kullanarak G’deki her düğüm için derece merkeziliklerini hesapla. Sonucu dcs olarak sakla.
Bir liste üreteci kullanarak user_nodes içindeki her düğümün derece merkeziliklerini hesapla. Sonucu user_dcs olarak sakla.
- Unutma, dcs anahtarları düğümler olan bir sözlüktür. İlgili düğümler burada user_nodes içinde. Kullanıcı düğümlerinin derece merkeziliklerini elde etmek için bu bilgiyi nasıl kullanabilirsin? Yineleyici değişken olarak n kullan.
plt.hist() ve user_dcs kullanarak kullanıcıların derece dağılımının histogramını çiz.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Import matplotlib
____

# Get the 'users' nodes: user_nodes
user_nodes = ____

# Compute the degree centralities: dcs
dcs = ____

# Get the degree centralities for user_nodes: user_dcs
user_dcs = [dcs[____] for n in ____]

# Plot the degree distribution of users_dcs
plt.yscale('log')
plt.hist(____, bins=20)
plt.show()

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python ile Orta Düzey Ağ (Network) Analizi

kursunun bir parçasıdır

AvançadoNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

In this chapter, you will learn about bipartite graphs and how they are used in recommendation systems. You will explore the GitHub dataset from the previous course, this time analyzing the underlying bipartite graph that was used to create the graph that you used earlier. Finally, you will get a chance to build the basic components of a recommendation system using the GitHub data!

Exercise 1: Tanımlar ve kısa tekrar Exercise 2: Keşifsel veri analizi Exercise 3: nxviz kullanarak görselleştirme Exercise 4: İki bölümlü graflar Exercise 5: İki parçalı (bipartite) anahtar kelimesi Exercise 6: Kullanıcı düğümlerinin derece merkezilik dağılımı

Geçerli Egzersiz

Exercise 7: Proje düğümlerinin derece merkeziliği dağılımı Exercise 8: İki parçalı graflar ve öneri sistemleri Exercise 9: Diğer bölümdeki ortak düğümler Exercise 10: Kullanıcı benzerliği metriği Exercise 11: Benzer kullanıcıları bul Exercise 12: Depo öner

In this chapter, you will use a famous American Revolution dataset to dive deeper into exploration of bipartite graphs. Here, you will learn how to create the unipartite projection of a bipartite graph, a very useful method for simplifying a complex network for further analysis. Additionally, you will learn how to use matrices to manipulate and analyze graphs - with many computing routines optimized for matrices, you'll be able to analyze many large graphs quickly and efficiently!

Exercise 1: Concept of projection Exercise 2: Reading graphs Exercise 3: Computing projection Exercise 4: Plot degree centrality on projection Exercise 5: Bipartite graphs as matrices Exercise 6: Properties of bipartite adjacency matrices.Exercise 7: Compute adjacency matrix Exercise 8: Find shared membership: Transposition Exercise 9: Representing network data with pandas Exercise 10: Make nodelist Exercise 11: Make edgelist

In this chapter, you will delve into the fundamental ways that you can analyze graphs that change over time. You will explore a dataset describing messaging frequency between students, and learn how to visualize important evolving graph statistics.

Exercise 1: Introduction to graph differences Exercise 2: List of graphs Exercise 3: Graph differences over time Exercise 4: Plot number of edge changes over time Exercise 5: Evolving graph statistics Exercise 6: Number of edges over time Exercise 7: Degree centrality over time Exercise 8: Zooming in & zooming out: Overall graph summary Exercise 9: Find nodes with top degree centralities Exercise 10: Visualizing connectivity

In this chapter, you will apply everything you've learned in the previous three chapters to a forum posting dataset. You will analyze the temporal changes in forum user connectivity patterns, and make visualizations of evolving graph statistics over time.

Exercise 1: Introduction to the dataset Exercise 2: Create a graph from the pandas DataFrame Exercise 3: Visualize the degree centrality distribution of the students projection Exercise 4: Visualize the degree centrality distribution of the forums projection Exercise 5: Time based filtering Exercise 6: Time filter on edges Exercise 7: Visualize filtered graph using nxviz Exercise 8: Time series analysis Exercise 9: Plot number of posts being made over time Exercise 10: Extract the mean degree centrality day-by-day on the students partition Exercise 11: Find the most popular forums day-by-day: I Exercise 12: Find the most popular forums day-by-day: II Exercise 13: Congratulations!