Các tính chất của ma trận kề hai phía.

Hãy cùng ôn lại các khái niệm về đồ thị hai phía và ma trận kề của chúng.

Phát biểu nào dưới đây mô tả đúng nhất về ma trận kề của đồ thị hai phía?

Bài tập này là một phần của khóa học

Phân tích mạng nâng cao với Python

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Phân tích mạng nâng cao với Python

SkillTag.level.advancedSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Trong chương này, bạn sẽ tìm hiểu về đồ thị hai phía và cách chúng được dùng trong hệ thống gợi ý. Bạn sẽ khám phá bộ dữ liệu GitHub từ khóa trước, lần này phân tích đồ thị hai phía nền tảng được sử dụng để tạo nên đồ thị mà bạn đã làm việc trước đó. Cuối cùng, bạn sẽ có cơ hội xây dựng các thành phần cơ bản của một hệ thống gợi ý dùng dữ liệu GitHub!

Exercise 1: Định nghĩa & ôn tập cơ bản Exercise 2: Phân tích dữ liệu thăm dò Exercise 3: Vẽ biểu đồ với nxviz Exercise 4: Đồ thị hai phía Exercise 5: Từ khóa bipartite Exercise 6: Phân phối độ trung tâm bậc của các nút người dùng Exercise 7: Phân phối độ trung tâm bậc của các nút dự án Exercise 8: Đồ thị hai phía và hệ thống gợi ý Exercise 9: Các node chung ở partition còn lại Exercise 10: Thước đo độ tương đồng giữa người dùng Exercise 11: Tìm người dùng tương tự Exercise 12: Gợi ý repositories

Trong chương này, bạn sẽ dùng một bộ dữ liệu nổi tiếng về Cách mạng Mỹ để đào sâu hơn vào việc khám phá đồ thị hai phía. Tại đây, bạn sẽ học cách tạo phép chiếu đơn phần (unipartite projection) của một đồ thị hai phía — một phương pháp rất hữu ích để đơn giản hóa mạng phức tạp cho các phân tích tiếp theo. Bên cạnh đó, bạn sẽ học cách dùng ma trận để thao tác và phân tích đồ thị — với nhiều thuật toán tính toán được tối ưu cho ma trận, bạn sẽ có thể phân tích các đồ thị lớn một cách nhanh chóng và hiệu quả!

Exercise 1: Khái niệm về phép chiếu Exercise 2: Đọc đồ thị Exercise 3: Tính phép chiếu (projection)Exercise 4: Vẽ degree centrality trên đồ thị chiếu Exercise 5: Đồ thị hai phía dưới dạng ma trận Exercise 6: Các tính chất của ma trận kề hai phía.

Bài tập hiện tại

Exercise 7: Tính ma trận kề Exercise 8: Tìm thành viên chung: Chuyển vị Exercise 9: Biểu diễn dữ liệu mạng với pandas Exercise 10: Tạo nodelist Exercise 11: Tạo edgelist

Trong chương này, bạn sẽ đi sâu vào các cách nền tảng để phân tích những đồ thị thay đổi theo thời gian. Bạn sẽ khám phá một bộ dữ liệu mô tả tần suất nhắn tin giữa sinh viên và học cách trực quan hóa các thống kê đồ thị quan trọng đang biến đổi.

Exercise 1: Giới thiệu về sự khác biệt giữa các đồ thị Exercise 2: Danh sách các đồ thị Exercise 3: Khác biệt của đồ thị theo thời gian Exercise 4: Vẽ số lượng thay đổi cạnh theo thời gian Exercise 5: Thống kê đồ thị theo thời gian Exercise 6: Số lượng cạnh theo thời gian Exercise 7: Degree centrality theo thời gian Exercise 8: Phóng to & thu nhỏ: Tóm tắt tổng quan đồ thị Exercise 9: Tìm các nút có degree centrality cao nhất Exercise 10: Trực quan hóa độ kết nối

Trong chương này, bạn sẽ áp dụng mọi điều đã học ở ba chương trước vào một bộ dữ liệu bài đăng trên diễn đàn. Bạn sẽ phân tích các thay đổi theo thời gian trong mô hình kết nối của người dùng diễn đàn và trực quan hóa các thống kê đồ thị biến đổi theo thời gian.

Exercise 1: Giới thiệu về bộ dữ liệu Exercise 2: Tạo đồ thị từ pandas DataFrame Exercise 3: Trực quan hóa phân phối degree centrality của đồ thị chiếu học viên Exercise 4: Trực quan hóa phân phối degree centrality của phép chiếu forums Exercise 5: Lọc theo thời gian Exercise 6: Lọc theo thời gian trên cạnh Exercise 7: Trực quan hóa đồ thị đã lọc bằng nxviz Exercise 8: Phân tích chuỗi thời gian Exercise 9: Vẽ số lượng bài đăng theo thời gian Exercise 10: Trích xuất trung bình degree centrality theo ngày trên phân hoạch sinh viên Exercise 11: Tìm diễn đàn phổ biến nhất theo từng ngày: I Exercise 12: Tìm các diễn đàn phổ biến nhất theo ngày: II Exercise 13: Chúc mừng bạn!