Властивості матриць суміжності біпартитних графів.

Підсумуймо поняття про біпартитні графи та їхні матриці суміжності.

Яке з наведених тверджень найкраще описує матриці суміжності біпартитних графів?

Ця вправа є частиною курсу

Середній рівень Network Analysis у Python

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Середній рівень Network Analysis у Python

SkillTag.level.advancedSkillTag.label

4.8+

Почніть курс безкоштовно

У цьому розділі ви дізнаєтеся про двочасткові графи та їх використання в системах рекомендацій. Ви дослідите набір даних GitHub із попереднього курсу, цього разу проаналізувавши базовий двочастковий граф, на основі якого було створено граф, з яким ви вже працювали. Нарешті, ви зможете зібрати базові компоненти рекомендаційної системи, використовуючи дані GitHub!

Exercise 1: Визначення та коротке повторення Exercise 2: Розвідувальний аналіз даних Exercise 3: Побудова графіків за допомогою nxviz Exercise 4: Двочасткові графи Exercise 5: Ключове слово bipartite Exercise 6: Розподіл ступеневої центральності вузлів користувачів Exercise 7: Розподіл ступеневої центральності для проєктних вершин Exercise 8: Біпартитні графи та системи рекомендацій Exercise 9: Спільні вузли в іншій частці Exercise 10: Метрика подібності користувачів Exercise 11: Знайдіть схожих користувачів Exercise 12: Рекомендуйте репозиторії

У цьому розділі ви використаєте відомий набір даних про Американську революцію, щоб глибше зануритися в дослідження двочасткових графів. Ви навчитеся створювати одночасткову проєкцію двочасткового графа — дуже корисний метод спрощення складної мережі для подальшого аналізу. Крім того, ви опanuєте використання матриць для обробки та аналізу графів — оскільки багато обчислювальних процедур оптимізовано під матриці, ви зможете швидко й ефективно аналізувати великі графи!

Exercise 1: Поняття проєкції Exercise 2: Зчитування графів Exercise 3: Обчислення проєкції Exercise 4: Побудуйте розподіл центральності ступеня на проєкції Exercise 5: Двочасткові графи як матриці Exercise 6: Властивості матриць суміжності біпартитних графів.

Поточна вправа

Exercise 7: Обчислення матриці суміжності Exercise 8: Знайдіть спільне членство: транспонування Exercise 9: Подання мережевих даних за допомогою pandas Exercise 10: Створіть nodelist Exercise 11: Створення edge list

У цьому розділі ви розглянете базові способи аналізу графів, які змінюються з часом. Ви дослідите набір даних із частотою обміну повідомленнями між студентами та навчитеся візуалізувати важливі показники графа, що еволюціонують у часі.

Exercise 1: Вступ до відмінностей між графами Exercise 2: Список графів Exercise 3: Відмінності графів у часі Exercise 4: Побудуйте графік змін кількості ребер з часом Exercise 5: Показники графа, що змінюються з часом Exercise 6: Кількість ребер у часі Exercise 7: Центральність за ступенем у часі Exercise 8: Збільшення й зменшення масштабу: загальний підсумок графа Exercise 9: Знайдіть вузли з найбільшою централізованістю за степенем Exercise 10: Візуалізація звʼязності

У цьому розділі ви застосуєте все з попередніх трьох розділів до набору даних про дописи на форумі. Ви проаналізуєте часові зміни у зв'язках між користувачами форуму та створите візуалізації показників графа, що змінюються з часом.

Exercise 1: Вступ до набору даних Exercise 2: Створення графа з pandas DataFrame Exercise 3: Візуалізуйте розподіл центральності ступеня для проєкції студентів Exercise 4: Візуалізація розподілу ступеневої централітету для проєкції форумів Exercise 5: Фільтрування за часом Exercise 6: Часовий фільтр для ребер Exercise 7: Візуалізуйте відфільтрований граф за допомогою nxviz Exercise 8: Аналіз часових рядів Exercise 9: Побудуйте графік кількості публікацій у часі Exercise 10: Витягніть середню ступеневу центральність день за днем на частині студентів Exercise 11: Знайдіть найпопулярніші форуми день за днем: I Exercise 12: Знайдіть найпопулярніші форуми щодня: II Exercise 13: Вітаємо!