描述編輯社群

現在你要把先前學到的 BFS 演算法與極大幫派（maximal clique）的概念結合起來，用 Arc plot 視覺化這個網路。

Github 使用者協作網路中最大的極大幫派已指定為子圖 G_lmc。請注意，在 NetworkX 2.x 版之後，G.subgraph(nodelist) 只會回傳原始圖的不可變檢視。我們必須明確呼叫 .copy() 才能取得可變動的版本。

本練習屬於課程

Python 網路分析入門

檢視課程

練習說明

從該幫派往外擴展 1 度關係，並把那些使用者加入子圖。在第一個 for 迴圈中：
- 使用 .add_nodes_from() 與 .neighbors() 方法，從 G 的鄰居加入節點到 G_lmc。
- 使用 .add_edges_from() 方法，在目前節點與其所有鄰居之間加入邊。為此，你需要用 zip() 函式建立一個由配對所組成的清單，每一對包含目前節點與各個鄰居。zip() 的第一個引數應為 [node]*len(list(G.neighbors(node)))，第二個引數應為 node 的所有鄰居。
在每個節點的中繼資料中紀錄其度中心性分數。
- 在第二個 for 迴圈中，將 nx.degree_centrality(G_lmc)[n] 指派給 G_lmc.nodes[n]['degree centrality']。
以 Arc plot 視覺化這個網路，並依度中心性排序節點（你可以使用關鍵字參數 sort_by='degree centrality' 完成）。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# Import necessary modules
from nxviz import arc
import matplotlib.pyplot as plt

# Identify the largest maximal clique: largest_max_clique
largest_max_clique = set(sorted(nx.find_cliques(G), key=lambda x: len(x))[-1])

# Create a subgraph from the largest_max_clique: G_lmc
G_lmc = G.subgraph(largest_max_clique).copy()

# Go out 1 degree of separation
for node in list(G_lmc.nodes()):
    G_lmc.add_nodes_from(____)
    G_lmc.add_edges_from(zip(____, ____))

# Record each node's degree centrality score
for n in G_lmc.nodes():
    ____ = ____

# Create the Arc plot: a
a = ____

# Draw the Arc plot to the screen
a
plt.show()

編輯並執行程式碼