แนะนำชุดข้อมูล

การวิเคราะห์เครือข่ายระดับกลางใน Python

Eric Ma

Data Carpentry instructor and author of nxviz package

แนะนำชุดข้อมูลและกรณีศึกษา

ชุดข้อมูลโพสต์ในฟอรัมมหาวิทยาลัย ช่วง 6 เดือน
การแบ่งโหนด: นักศึกษา, ฟอรัม
กิจกรรมในบทนี้:
- สร้างกราฟจาก pandas DataFrame
- คำนวณ unipartite projections ของกราฟไบพาร์ไทต์
- การแสดงภาพกราฟ
- การกรองและวิเคราะห์อนุกรมเวลา
- ทบทวนฟังก์ชันที่เคยใช้

สร้างกราฟจาก DataFrame

df

   customers    products
0  customerA    product1
1  customerB    product2
...

G = nx.Graph()

G.add_nodes_from(df['products'], bipartite='products')
G.add_nodes_from(df['customers'], bipartite='customers')

list(G.nodes())

['product1', 'customerC', 'product2', 'customerB', 'customerA']

list(G.edges())

[]

สร้างกราฟจาก DataFrame

G.add_edges_from(zip(df['customers'], df['products']))

list(G.edges())

[('product1', 'customerC'), ('product1', 'customerA'), 
    ('customerC', 'product2'), ('product2', 'customerB')]

Bipartite projections

cust_nodes = [n for n in G.nodes() if G.nodes[n]
                 ['bipartite'] == 'customers']

prod_nodes = [n for n in G.nodes() if G.nodes[n]
                  ['bipartite'] == 'products']

prodG = nx.bipartite.projected_graph(G, nodes=prod_nodes)
custG = nx.bipartite.projected_graph(G, nodes=cust_nodes)

list(prodG.nodes())

['product1', 'product2']

list(custG.nodes())

['customerC', 'customerB', 'customerA']

มาฝึกกันเถอะ!

การวิเคราะห์เครือข่ายระดับกลางใน Python