Action network.centrality SAS Viya : Analyse de Graphes CAS

Description

L'action network.centrality est l'outil ultime pour identifier les 'VIP' de votre réseau. Que vous analysiez des réseaux sociaux, des chaînes logistiques ou des flux financiers, cette action calcule divers scores de centralité pour déterminer l'importance relative de chaque nœud. C'est un peu comme chercher qui détient la télécommande dans un salon : certains sont connectés à tout le monde, d'autres sont des passages obligés !

Syntaxe Officielle

                                network.centrality / 

  links={name="table_liens"}, 

  outNodes={name="table_sortie_noeuds"}, 

  direction="DIRECTED" | "UNDIRECTED", 

  degree="BOTH" | "UNWEIGHT" | "WEIGHT", 

  between="BOTH" | "UNWEIGHT" | "WEIGHT", 

  close="BOTH" | "UNWEIGHT" | "WEIGHT", 

  pageRank="BOTH" | "UNWEIGHT" | "WEIGHT", 

  hub="BOTH" | "UNWEIGHT" | "WEIGHT", 

  auth="BOTH" | "UNWEIGHT" | "WEIGHT"

Paramètres Clés

Nom du paramètre	Description
links	Désigne la table d'entrée contenant les liens du graphe (les relations).
outNodes	Spécifie la table de sortie CAS qui contiendra les scores de centralité calculés pour chaque nœud.
direction	Indique si le graphe est orienté (DIRECTED) ou non (UNDIRECTED). Crucial si vos relations ont un sens précis (ex: un virement bancaire).
degree	Calcule la centralité de degré (nombre de connexions directes). C'est le score de popularité de base.
between	Calcule la centralité d'intermédiarité (Betweenness). Identifie les nœuds qui servent de ponts entre différentes parties du réseau.
close	Calcule la centralité de proximité (Closeness). Mesure la rapidité avec laquelle un nœud peut atteindre tous les autres.
pageRank	Calcule le score PageRank (l'algorithme célèbre de Google). Plus vous êtes cité par des gens importants, plus vous l'êtes aussi.
hub	Calcule la centralité de 'Hub' (concentrateur). Un bon hub pointe vers de nombreuses autorités.
auth	Calcule la centralité d'autorité. Une autorité est un nœud vers lequel pointent de nombreux hubs.
clusteringCoefficient	Mesure à quel point les voisins d'un nœud sont eux-mêmes connectés entre eux (clic ou petit monde).

Préparation des données

Création d'un petit réseau social de test

Nous créons un graphe simple représentant des interactions entre 5 individus (A, B, C, D, E).

1	DATA casuser.liens_reseau;
2	INPUT from $ to $ weight;
3	DATALINES;
4	A B 1
5	A C 1
6	B C 2
7	C D 1
8	D E 1
9	B D 1
10	;
11	RUN;

Exemples d'utilisation

Calcul de la centralité de degré

Cet exemple calcule simplement le nombre de connexions directes pour chaque personne dans le réseau.

1	PROC CAS;
2	network.centrality / links={name="liens_reseau"}, outNodes={name="centralite_degre", replace=true}, degree="UNWEIGHT";
3	RUN;
4	QUIT;
5	PROC PRINT DATA=casuser.centralite_degre; RUN;

Résultat Attendu :

                                                    Une table listant chaque nœud avec son score de centralité de degré (cent_degree_unw).                                                

Analyse multi-métriques complète

Nous calculons ici simultanément le PageRank, l'intermédiarité (Betweenness) et le coefficient de clustering pour avoir une vue 360 du réseau.

1	PROC CAS;
2	network.centrality /
3	links={name="liens_reseau"},
4	outNodes={name="analyse_complete", replace=true},
5	pageRank="UNWEIGHT",
6	between="UNWEIGHT",
7	clusteringCoefficient=true,
8	logLevel="MODERATE";
9	RUN;
10	QUIT;
11	PROC SORT DATA=casuser.analyse_complete out=res_tri; BY descending cent_between_unw; RUN;
12	PROC PRINT DATA=res_tri; RUN;

Résultat Attendu :

                                                    Une table détaillée montrant pour chaque individu son importance stratégique (Betweenness), son autorité (PageRank) et son intégration locale (Clustering).                                                