Come Creare una Visualizzazione a Grafico di Reti a Serie Temporali in Python

Come Creare una Visualizzazione a Grafico di Reti a Serie Temporali Utilizzando Python

Utilizzare Plotly e NetworkX per mostrare come una rete si sviluppa nel tempo

In questo articolo imparerai a creare una visualizzazione di rete a serie temporali in Python che mostra come le connessioni in una rete si sviluppano nel tempo, come illustrato nell’animazione sopra. I dati di rete sono molto efficaci per rivelare connessioni e i dati a serie temporali possono essere utili per scoprire tendenze e anomalie nei dati sottostanti.

In questo articolo, creeremo un esempio utilizzando un dataset su frodi da parte di fornitori di assistenza sanitaria su Kaggle. (Questo dataset è attualmente con licenza CC0: Public Domain su Kaggle. Si prega di notare che questo dataset potrebbe non essere accurato e viene utilizzato solo per scopi dimostrativi in questo articolo).

<p+ (fino="" a="" al="" alla="" altre="" associate="" base="" certo="" cluster="" combineremo="" connessioni="" curante="" da="" dal="" data="" dati="" della="" delle="" di="" e="" entità="" fornito="" fraudolente="" i="" in="" inizio="" link="" medico="" nel="" numero="" ottenere="" p="" passi)="" per="" questo="" rappresentazione="" richiesta.

Assicurati di avere Plotly e NetworkX installati nel tuo ambiente virtuale Python.

• Perché il collegamento probabilistico è più accurato rispetto ai metodi di abbinamento sfumato o basati sulla frequenza dei termini
• Qual è il formato di dati da utilizzare per il tuo progetto Big Data?
• Potenzia i tuoi utenti aziendali per estrarre informazioni dai documenti aziendali utilizzando Amazon SageMaker Canvas Generative AI.

Se vuoi imparare un modo efficace per visualizzare come una rete si sviluppa nel tempo, continua a leggere!

Risultati dal Dataset

Questo dataset contiene un totale di 82.063 medici distinti, di cui 20.592 hanno almeno una richiesta fraudolenta. Mentre la maggior parte di questi medici ha solo una manciata di richieste fraudolente, c’è una piccola frazione di medici che sono prolifere frodatori.

Il 25% dei medici ha almeno 5 richieste e l’esempio più grave è un medico con 2.534 richieste fraudolente!

Anche se è facile calcolare queste statistiche a livello di medico, una visualizzazione di rete a serie temporali è un buon modo per comprendere l’entità delle frodi commesse da questo medico e nel corso di quale periodo di tempo.

Trova le Connessioni

Dato un medico, cosa succederebbe se potessimo trovare le sue connessioni che hanno anche richieste fraudolente fino a un certo numero di passi?

Per fare questo, scriveremo una funzione che prenda un DataFrame con dati delle richieste, AttendingPhysician (string)…