R语言 根据应用于两条边的条件创建二分投影

m1m5dgzv  于 2023-11-14  发布在  其他
关注(0)|答案(1)|浏览(128)

我有一个数据集，它有不同的源节点和目标节点，还有一个与关系相关的数值变量。
它看起来有点像这样：

  1. library(igraph)
  2. library(tidygraph)
  4. set.seed(24601)
  6. example_data <- 
  7.   data.frame(source = 
  8.              sample(letters[1:10],
  9.                     100,
  10.                     replace = TRUE),
  11.            target =
  12.              sample(letters[16:25],
  13.                     100,
  14.                     replace = TRUE),
  15.            important_variable =
  16.              rnorm(100))

字符串
假设source的成员是个人，target的成员是他们去过的不同城市，我想创建一个网络，显示同一个人何时访问了两个给定的城市。我会使用bipartite_projection（），如下所示：

  1. example_data %>% 
  2.   graph_from_data_frame() %>% 
  3.   as_tbl_graph() %>% 
  4.   mutate(type = 
  5.            ifelse(name %in% letters[1:10],
  6.                    TRUE,
  7.                    FALSE)) %>% 
  8.   bipartite_projection(which = "true")

型
然而，我只想在满足一定条件的情况下连接不同的城市：例如，当important_variable的值之间的差异最大为0.5时（例如，当同一个人在同一年访问过两个城市时，我感兴趣）。目前，使用bipartite_projection后，来自important_variable的信息被丢弃。
我看不出有什么方法可以限制基于第三个数字变量的bipartite_projection。有可能吗？提前感谢您的帮助。

使用edit更新以显示所需的输出：

让我们看一小部分的行：

  1. example_data %>% 
  2.   filter(source == "a") %>% 
  3.   head()

这将产生以下结果：

  1. source target important_variable
  2. 1      a      x         0.29773720
  3. 2      a      p         1.50474490
  4. 3      a      y         0.01149263
  5. 4      a      q         0.19391773
  6. 5      a      t        -0.10656946
  7. 6      a      w        -0.29516668

我可以直接进入二分投影，像这样：

  1. example_data %>% 
  2.   filter(source == "a") %>% 
  3.   head()  %>% 
  4.   graph_from_data_frame() %>% 
  5.   as_tbl_graph() %>% 
  6.   mutate(type = 
  7.            ifelse(name %in% letters[1:10],
  8.                   TRUE,
  9.                   FALSE)) %>% 
  10.   bipartite_projection(which = "false")

其产生具有一个顶点属性name和一个边属性node的iGraph对象。
然而，我想要看起来像这样的东西（为了简单起见，只有前四行）：

  1. source_projected target_projected source_att  target_att
  2. 1                x                p  0.2977372  1.50474490
  3. 2                x                y  0.2977372  0.01149263
  4. 3                x                q  0.2977372  0.19391773
  5. 4                x                t  0.2977372 -0.10656946

因为这将允许我根据source_att和target_att列之间的关系进行过滤（例如，过滤source_att和target_att之间的差异小于0.5）

第二次更新，更详细的期望输出

@ JumasIsCoding提供了一个符合我要求的解决方案。这让我意识到我没有足够详细。
再次从原始数据开始，我们可以看到a链接到p两次，a链接到y两次。在每种情况下，important_variable的值都是不同的。如下所示：

  1. example_data %>% 
  2.   filter(source == "a" &
  3.            (target == "p" |
  4.               target == "y")) 
  6.   source target important_variable
  7. 1      a      p         1.50474490
  8. 2      a      y         0.01149263
  9. 3      a      y        -2.34069094
  10. 4      a      p         0.29294049

我发布的示例所需数据仅包括target中的每个节点连接一次。然而，由于important_variable的值不同，我希望输出包括这些配对的所有配置，如下所示：

  1. source_projected target_projected source_att  target_att
  2. 1                p                y  0.2977372  0.01149263
  3. 2                p                y  0.2977372 -2.34069094
  4. 3                p                y  0.2929405  0.01149263
  5. 4                p                y  0.2929405 -2.34069094

这是一个可以构建的东西吗？谢谢！

r

1条答案

按热度按时间
3pmvbmvn

3pmvbmvn1#

更新

由于单个目标可能有多个值，我想最好使用left_join并为relationship参数启用"many-to-many"

  1. out <- example_data %>%
  2.     graph_from_data_frame() %>%
  3.     set_vertex_attr(
  4.         name = "type",
  5.         value = names(V(.)) %in% example_data$target
  6.     ) %>%
  7.     bipartite_projection() %>%
  8.     pluck("proj2") %>%
  9.     as_data_frame() %>%
  10.     select(-weight) %>%
  11.     left_join(select(example_data, -source),
  12.         join_by(from == target),
  13.         relationship = "many-to-many"
  14.     ) %>%
  15.     left_join(select(example_data, -source),
  16.         join_by(to == target),
  17.         relationship = "many-to-many"
  18.     ) %>%
  19.     rename(all_of(c(source_att = "important_variable.x", target_att = "important_variable.y")))

字符串
你会看到

  1. > head(out)
  2.   from to source_att  target_att
  3. 1    x  y  0.2977372  0.50506407
  4. 2    x  y  0.2977372 -1.37333412
  5. 3    x  y  0.2977372  0.61981223
  6. 4    x  y  0.2977372  0.43724194
  7. 5    x  y  0.2977372 -1.97363488
  8. 6    x  y  0.2977372 -0.02413137
  10. > glimpse(out)
  11. Rows: 4,462
  12. Columns: 4
  13. $ from       <chr> "x", "x", "x", "x", "x", "x", "x", "x", "x", "x", "x", "x",…
  14. $ to         <chr> "y", "y", "y", "y", "y", "y", "y", "y", "y", "y", "y", "y",…
  15. $ source_att <dbl> 0.2977372, 0.2977372, 0.2977372, 0.2977372, 0.2977372, 0.29…
  16. $ target_att <dbl> 0.50506407, -1.37333412, 0.61981223, 0.43724194, -1.9736348…

型

上一页

也许你可以试试下面的代码

  1. example_data %>%
  2.     graph_from_data_frame() %>%
  3.     set_vertex_attr(
  4.         name = "type",
  5.         value = names(V(.)) %in% example_data$target
  6.     ) %>%
  7.     bipartite_projection() %>%
  8.     pluck("proj2") %>%
  9.     as_data_frame() %>%
  10.     select(-weight) %>%
  11.     mutate(
  12.         source_att = with(example_data, important_variable[match(from, target)]),
  13.         target_att = with(example_data, important_variable[match(to, target)])
  14.     )

这给

  1. from to  source_att  target_att
  2. 1     x  y  0.29773720  0.50506407
  3. 2     x  p  0.29773720 -0.74022203
  4. 3     x  u  0.29773720 -2.04969760
  5. 4     x  q  0.29773720  1.36281039
  6. 5     x  w  0.29773720 -0.47578690
  7. 6     x  s  0.29773720  0.03233063
  8. 7     x  t  0.29773720 -1.08378137
  9. 8     x  r  0.29773720 -0.72029435
  10. 9     x  v  0.29773720 -0.22919308
  11. 10    y  p  0.50506407 -0.74022203
  12. 11    y  u  0.50506407 -2.04969760
  13. 12    y  q  0.50506407  1.36281039
  14. 13    y  w  0.50506407 -0.47578690
  15. 14    y  s  0.50506407  0.03233063
  16. 15    y  t  0.50506407 -1.08378137
  17. 16    y  r  0.50506407 -0.72029435
  18. 17    y  v  0.50506407 -0.22919308
  19. 18    p  u -0.74022203 -2.04969760
  20. 19    p  q -0.74022203  1.36281039
  21. 20    p  w -0.74022203 -0.47578690
  22. 21    p  s -0.74022203  0.03233063
  23. 22    p  t -0.74022203 -1.08378137
  24. 23    p  r -0.74022203 -0.72029435
  25. 24    p  v -0.74022203 -0.22919308
  26. 25    r  u -0.72029435 -2.04969760
  27. 26    r  q -0.72029435  1.36281039
  28. 27    r  w -0.72029435 -0.47578690
  29. 28    r  s -0.72029435  0.03233063
  30. 29    r  t -0.72029435 -1.08378137
  31. 30    r  v -0.72029435 -0.22919308
  32. 31    u  q -2.04969760  1.36281039
  33. 32    u  w -2.04969760 -0.47578690
  34. 33    u  s -2.04969760  0.03233063
  35. 34    u  t -2.04969760 -1.08378137
  36. 35    u  v -2.04969760 -0.22919308
  37. 36    v  s -0.22919308  0.03233063
  38. 37    v  t -0.22919308 -1.08378137
  39. 38    v  q -0.22919308  1.36281039
  40. 39    v  w -0.22919308 -0.47578690
  41. 40    q  w  1.36281039 -0.47578690
  42. 41    q  s  1.36281039  0.03233063
  43. 42    q  t  1.36281039 -1.08378137
  44. 43    w  s -0.47578690  0.03233063
  45. 44    w  t -0.47578690 -1.08378137
  46. 45    s  t  0.03233063 -1.08378137

然后我猜你知道如何过滤行，并限制source_att和target_att之间的差异。

展开查看全部
赞(0）分享  回复(0）举报  2023-11-14
我来回答

相关问题

    查看更多

    热门标签

    更多
    JavaquerypythonNode开发语言requestUtil数据库Table后端算法LoggerMessageElementParser

    最新问答

    更多
    • 蜀ICP备13028337号-1 大数据知识库 https://www.saoniuhuo.com © All rights reserved
    • 本站内容来源互联网,如果侵犯您的权益请联系我们删除, 联系方式：448109455@qq.com