प्लॉटिंग लॉग-पिन नेटवर्क डिग्री वितरण

Question

मैंने अक्सर जटिल आंकड़ों से लंबी-पूंछ की डिग्री वितरण/हिस्टोग्राम का सामना किया है जैसे नीचे दिए गए आंकड़े। वे अच्छी तरह से बहुत भारी और भीड़-भाड़ वाले कई टिप्पणियों से इन पूंछ की भारी अंत बनाने के लिए,:

हालांकि, कई प्रकाशनों मैंने पढ़ा है कि के अंत में इस clumpiness नहीं है अधिक स्वच्छ डिग्री वितरण है वितरण और अवलोकन अधिक समान रूप से दूरी पर हैं।

!

NetworkX और matplotlib का उपयोग करके आप इस तरह के चार्ट कैसे बनाते हैं?

Answer 1

log binning (see also) का उपयोग करें। यहां Counter ऑब्जेक्ट लेने के लिए कोड है जो डिग्री मानों के हिस्टोग्राम का प्रतिनिधित्व करता है और स्पैसर और चिकनी वितरण का वितरण करने के लिए वितरण को लॉग-बिन करता है।

import numpy as np 
def drop_zeros(a_list): 
    return [i for i in a_list if i>0] 

def log_binning(counter_dict,bin_count=35): 

    max_x = log10(max(counter_dict.keys())) 
    max_y = log10(max(counter_dict.values())) 
    max_base = max([max_x,max_y]) 

    min_x = log10(min(drop_zeros(counter_dict.keys()))) 

    bins = np.logspace(min_x,max_base,num=bin_count) 

    # Based off of: http://stackoverflow.com/questions/6163334/binning-data-in-python-with-scipy-numpy 
    bin_means_y = (np.histogram(counter_dict.keys(),bins,weights=counter_dict.values())[0]/np.histogram(counter_dict.keys(),bins)[0]) 
    bin_means_x = (np.histogram(counter_dict.keys(),bins,weights=counter_dict.keys())[0]/np.histogram(counter_dict.keys(),bins)[0]) 

    return bin_means_x,bin_means_y 

NetworkX में एक क्लासिक पैमाने मुक्त नेटवर्क जनरेट कर रहा है और उसके बाद इस साजिश रचने:

import networkx as nx 
ba_g = nx.barabasi_albert_graph(10000,2) 
ba_c = nx.degree_centrality(ba_g) 
# To convert normalized degrees to raw degrees 
#ba_c = {k:int(v*(len(ba_g)-1)) for k,v in ba_c.iteritems()} 
ba_c2 = dict(Counter(ba_c.values())) 

ba_x,ba_y = log_binning(ba_c2,50) 

plt.xscale('log') 
plt.yscale('log') 
plt.scatter(ba_x,ba_y,c='r',marker='s',s=50) 
plt.scatter(ba_c2.keys(),ba_c2.values(),c='b',marker='x') 
plt.xlim((1e-4,1e-1)) 
plt.ylim((.9,1e4)) 
plt.xlabel('Connections (normalized)') 
plt.ylabel('Frequency') 
plt.show() 

नीले रंग में "कच्चे" वितरण और में "बिन" वितरण के बीच ओवरलैप दिखा निम्नलिखित साजिश का उत्पादन लाल। अगर मैंने कुछ स्पष्ट नहीं छूटा है कैसे इस दृष्टिकोण या प्रतिक्रिया को सुधारने के लिए

विचार का स्वागत है।