Newer
Older
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
# Projet RI
Nous allons analyser un réseau de collaboration scientifique en informatique.
Le réseau est extrait de DBLP et disponible sur SNAP.
GraphStream permet de mesurer de nombreuses caractéristiques d'un réseau.
La plupart de ces mesures sont implantées comme des méthodes statiques dans la classe Toolkit.
Elles vous seront très utiles par la suite.
## 1- Tout d'abord :
j'ai commencé par télécharger les données et les lire avec GraphStream.
## 2- Quelques mesures de base :
J'ai calculé quelques mesures de base : comme le nombre de nœuds et d'arêtes, le degré moyen ainsi que le coefficient de clustring.
- Nombre de noeuds : N = 317080
```java
int nodeCount = graph.getNodeCount();
```
- Nombre de liens : E = 1049866
```java
int edgeCount = graph.getEdgeCount();
```
- Degré moyen : ⟨k⟩ = 6.62208890914917
```java
double averageDegree = Toolkit.averageDegree(graph);
```
- Coefficient de clustering (réel) : 0.6324308280637396
```java
double clusteringCoefficient = Toolkit.averageClusteringCoefficient(graph);
```
- Coefficient de clustering (aléatoire) : ⟨k⟩/N = 2.0884599814397534E-5
## 3- Autres mesures
Voyons maintenant si le graphe est connexe :
- Le réseau est-il connexe ? : Toolkit.isConnected renvoie Oui
- Degré moyen minimal pour qu'un graphe aléatoire soit connexe : 12.666909386951092
## Distribution des Degrés
Exportation des données : Les degrés des nœuds sont exportés dans le fichier degree_distribution.txt.
#### Analyse graphique :
- Échelle linéaire :
Tout d'abord,
nous pouvons tracer la distribution des degrés en
échelle linéaire. Cette courbe nous montrera comment
la probabilité p(k) varie avec le degré k.
Dans un graphique en échelle linéaire,
la relation entre k et p(k) peut ne pas être évidente
et pourrait ne pas révéler de structure particulière.
- Échelle log-log :
Lorsque nous traçons la même distribution en échelle
log-log, c'est-à-dire avec les axes
log(k) et log(p(k)), cela permet de mieux observer les tendances à grande échelle.
nous observons une ligne droite ce qui nous dit que la distribution suit une loi de puissance.
une ligne droite est observée, cela indique une loi de puissance.
- Comparaison avec la distribution de Poisson : Superposer la distribution de Poisson avec ⟨k⟩.
