Table des matières:
Vidéo: Formation Data science avec Python | Rappel sur l'environnement de travail 2025
La plupart des scientifiques doivent travailler avec des données graphiques à un moment donné. Python vous donne cette fonctionnalité. Imaginez des points de données connectés à d'autres points de données, tels que la façon dont une page Web est connectée à une autre page Web via des liens hypertexte. Chacun de ces points de données est un nœud . Les nœuds se connectent les uns aux autres en utilisant les liens .
Tous les nœuds ne sont pas liés à tous les autres nœuds, de sorte que les connexions aux nœuds deviennent importantes. En analysant les nœuds et leurs liens, vous pouvez effectuer toutes sortes de tâches intéressantes en science des données, telles que la définition de la meilleure façon d'aller du travail à votre domicile en utilisant les rues et les autoroutes.
Comprendre la matrice d'adjacence
Une matrice d'adjacence représente les connexions entre les nœuds d'un graphe. Lorsqu'il y a une connexion entre un nœud et un autre, la matrice l'indique comme une valeur supérieure à 0. La représentation précise des connexions dans la matrice dépend de la direction du graphique (où la direction de la connexion est importante) ou non dirigée.
Un problème avec de nombreux exemples en ligne est que les auteurs les gardent simples à des fins d'explication. Cependant, les graphiques du monde réel sont souvent immenses et défient l'analyse facile simplement par la visualisation. Pensez seulement au nombre de nœuds que même une petite ville aurait en considérant les intersections de rues. Beaucoup d'autres graphiques sont beaucoup plus grands, et simplement les regarder ne révélera jamais aucun modèle intéressant. Les scientifiques de données appellent le problème en présentant n'importe quel graphique complexe en utilisant une matrice d'adjacence hairball .
Une clé pour analyser les matrices d'adjacence consiste à les trier de façon spécifique. Par exemple, vous pouvez choisir de trier les données en fonction de propriétés autres que les connexions réelles. Un graphique des connexions de rues peut inclure la date à laquelle la rue a été pavée avec les données, ce qui vous permet de rechercher des modèles qui orientent quelqu'un en fonction des rues les mieux réparées. En bref, rendre les données de graphique utiles devient une manipulation de l'organisation de ces données de manière spécifique.
Utiliser les bases de NetworkX
Travailler avec des graphiques pourrait devenir difficile si vous deviez écrire tout le code à partir de zéro. Heureusement, le paquet NetworkX pour Python facilite la création, la manipulation et l'étude de la structure, de la dynamique et des fonctions de réseaux complexes (ou graphiques). Vous pouvez également utiliser le package pour travailler avec des digrammes et des multigraphes.
L'objectif principal de NetworkX est d'éviter tout le problème des boules de poils.L'utilisation d'appels simples cache une grande partie de la complexité de travailler avec des graphiques et des matrices d'adjacence à partir de la vue. L'exemple suivant montre comment créer une matrice d'adjacence de base à partir de l'un des graphiques fournis par NetworkX:
import networkx comme nx G = nx. cycle_graph (10) A = nx. adjacency_matrix (G) print (A. todense ())
L'exemple commence par l'importation du paquet requis. Il crée ensuite un graphique en utilisant le modèle cycle_graph (). Le graphique contient dix nœuds. L'appel de la fonction adjacency_matrix () crée la matrice d'adjacence à partir du graphique. La dernière étape consiste à imprimer la sortie sous forme de matrice, comme indiqué ici:
[[0 1 0 0 0 0 0 0 0 1] [1 0 1 0 0 0 0 0 0 0] [0 1 0 1 0 0 0 0 0 0] [0 0 1 0 1 0 0 0 0 0] [0 0 0 1 0 1 0 0 0 0] [0 0 0 0 1 0 1 0 0 0] [0 0 0 0 0 1 0 1 0 0] [0 0 0 0 0 0 1 0 1 0] [0 0 0 0 0 0 0 1 0 1] [1 0 0 0 0 0 0 1 0]]
Vous n'êtes pas obligé de Construisez votre propre graphique à partir de zéro à des fins de test. Le site NetworkX documente un certain nombre de types de graphiques standard que vous pouvez utiliser, tous disponibles dans IPython.
Il est intéressant de voir à quoi ressemble le graphique après l'avoir généré. Le code suivant affiche le graphique pour vous.
import matplotlib. pyplot comme plt nx. draw_networkx (G) plt. show ()
Le graphique montre que vous pouvez ajouter une arête entre les nœuds 1 et 5. Voici le code nécessaire pour effectuer cette tâche à l'aide de la fonction add_edge ().
G. add_edge (1, 5) nx. draw_networkx (G) plt. Afficher ()
