graph

1

G = nx.Graph()
for skills in df['Ключевые навыки']:
    # Проверяем тип данных
    if isinstance(skills, str):
        skills_list = skills.split(';')
        for i in range(len(skills_list)):
            for j in range(i+1, len(skills_list)):
                # Добавляем ребро между навыками
                G.add_edge(skills_list[i], skills_list[j])

2

# Позиционирование узлов на плоскости
pos = nx.spring_layout(G)

# Создание списка координат узлов
node_x = []
node_y = []
for node in pos:
    x, y = pos[node]
    node_x.append(x)
    node_y.append(y)

# Создание списка ребер
edge_x = []
edge_y = []
for edge in G.edges():
    x0, y0 = pos[edge[0]]
    x1, y1 = pos[edge[1]]
    edge_x.append(x0)
    edge_x.append(x1)
    edge_x.append(None)
    edge_y.append(y0)
    edge_y.append(y1)
    edge_y.append(None)

# Визуализация графа
fig = go.Figure()

# Добавление узлов
fig.add_trace(go.Scatter(x=node_x, y=node_y, mode='markers', marker=dict(color='rgb(152, 0, 0)', size=10),
                         hoverinfo='text', text=list(pos.keys())))

# Добавление ребер с подсветкой при наведении
fig.add_trace(go.Scatter(x=edge_x, y=edge_y, mode='lines', line=dict(color='rgb(125, 125, 125)', width=1),
                         hoverinfo='none', opacity=0.5))

fig.update_layout(title='Граф связей навыков', showlegend=False, xaxis=dict(showgrid=False, zeroline=False, showticklabels=False),
                  yaxis=dict(showgrid=False, zeroline=False, showticklabels=False))

fig.show("notebook")

3

# Создаем копию DataFrame, чтобы избежать изменения исходных данных
df_copy = df.copy()

# Предварительно заменяем NaN в столбце 'Ключевые навыки' на пустые списки
df_copy['Ключевые навыки'] = df_copy['Ключевые навыки'].fillna('').apply(lambda x: x.split(';') if isinstance(x, str) else [])

# Убираем строки с пустыми значениями "Ключевые навыки"
df_copy = df_copy[df_copy['Ключевые навыки'].apply(len) > 0]

# Создаем пустой граф
G = nx.Graph()

# Создаем пустой словарь для хранения количества упоминаний каждой пары навыков
skills_count = {}

# Проходим по каждой строке в DataFrame
for skills_list in df_copy['Ключевые навыки']:
    # Подсчитываем частоту упоминания каждой пары навыков и добавляем в словарь
    for i, skill1 in enumerate(skills_list):
        for skill2 in skills_list[i+1:]:
            if (skill1, skill2) in skills_count:
                skills_count[(skill1, skill2)] += 1
            else:
                skills_count[(skill1, skill2)] = 1

# Устанавливаем порог совместной встречаемости
threshold = 50

# Добавляем узлы и ребра в граф
for (skill1, skill2), weight in skills_count.items():
    if weight >= threshold:
        G.add_edge(skill1, skill2, weight=weight)

# Определяем позиции узлов на плоскости для визуализации
pos = nx.spring_layout(G)

# Определяем координаты узлов
node_x = [pos[node][0] for node in G.nodes()]
node_y = [pos[node][1] for node in G.nodes()]
node_text = [f'{node}<br>Встречаемость: {G.degree(node)}' for node in G.nodes()]

# Определяем связи между узлами
edge_x = []
edge_y = []
for edge in G.edges():
    x0, y0 = pos[edge[0]]
    x1, y1 = pos[edge[1]]
    edge_x.append(x0)
    edge_x.append(x1)
    edge_x.append(None)  # Добавляем None для разделения линий
    edge_y.append(y0)
    edge_y.append(y1)
    edge_y.append(None)

# Создаем объект фигуры Plotly
fig = go.Figure()

# Добавляем узлы и ребра к графу
fig.add_trace(go.Scatter(x=node_x, y=node_y, mode='markers', name='Навык', text=node_text, hoverinfo='text', marker=dict(size=10)))
fig.add_trace(go.Scatter(x=edge_x, y=edge_y, mode='lines', name='Связь', line=dict(color='gray', width=0.5)))

# Настраиваем внешний вид графа
fig.update_layout(title=f'Граф навыков вакансий (порог совместной встречаемости: {threshold})', showlegend=False, hovermode='closest')

# Отображаем граф
fig.show()