Skip to content

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
NetworkXPython學習、中小型網路(數萬節點)、演算法齊全
igraphPython / R較大的網路、速度快、社群偵測方法多
graph-tool、NetworKitPython數百萬節點以上
CytoscapeGUI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。