外觀
Data Science › Network Analysis
網路分析 (Network Analysis)
當資料的重點是「誰和誰相連」,而不是單一列的特徵時,把資料表示成 graph 比一般表格更自然。核心不是畫出漂亮的圖,而是先定義 node、edge 與 edge 的意義,再問連結結構如何影響重要性、可達性、群聚與推薦。生資中常見的 PPI 網路、基因共表現網路、單細胞 kNN 圖都屬於這一類。
建議順序
text
入門(建圖、centrality、路徑、clique)→ 有向網路與結構指標(隨機基準、社群偵測)
→ 二分網路與時間演變(projection、時間切片)→ 案例(事件資料 → graph、生資網路)筆記
| 筆記 | 內容 | 回答的問題 |
|---|---|---|
| 網路分析入門 | node / edge 定義、graph 類型、degree / betweenness / closeness / eigenvector、最短路徑、clique、subgraph | 哪些節點重要?重要的意思是什麼? |
| 有向網路與結構指標 | in / out-degree、density、平均路徑長、transitivity、assortativity、reciprocity、隨機圖基準、社群偵測 | 整張網路的結構特殊嗎?有哪些群體? |
| 二分網路與時間演變 | 二分圖、projection 與權重、edge 過濾、從 DataFrame 建圖、時間切片 | 兩類實體的關係怎麼分析?網路怎麼隨時間改變? |
| 網路分析案例 | 商品、Twitter、單車流動;PPI(STRING)、共表現網路(WGCNA)、單細胞 kNN 圖 + Leiden | 原始事件資料怎麼變成值得分析的 graph? |
與其他章節的關係
| 主題 | 去哪裡 |
|---|---|
| graph 從表格轉換而來,前處理仍是基本功 | Data Manipulation and EDA |
| 分群(社群偵測與 clustering 的關係) | Clustering |
| 用 graph 結構學節點表示、做節點分類 | 圖神經網路 |
| 在資料庫中做多跳查詢、階層展開 | 遞迴與階層查詢 |
| 事件資料轉成流程轉移圖 | 流程探勘 |
| 工具 | 語言 | 適合 |
|---|---|---|
| NetworkX | Python | 學習、中小型網路(數萬節點)、演算法齊全 |
| igraph | Python / R | 較大的網路、速度快、社群偵測方法多 |
| graph-tool、NetworKit | Python | 數百萬節點以上 |
| Cytoscape | GUI | 生物網路視覺化與註解 |
scanpy(sc.pp.neighbors、sc.tl.leiden) | Python | 單細胞 kNN 圖與分群 |
圖長得漂亮不代表分析有意義;不同 centrality 回答不同問題,不應混成單一的「重要性」;從表格投影出來的網路要先確認 projection 規則沒有放大假訊號。