《图机器学习》——阅读记录2，信用卡交易的图分析

将信用卡交易数据表示为图，并使用算法自动检测欺诈交易。

数据集

使用的是信用卡交易欺诈检测数据集
由包含2019年1.1到2020.12.31期间合法和欺诈交易的模拟信用卡交易组成，包括与800家商家进行交易的1000名客户的信用卡数据。
每笔交易包含了23个不同的特征，主要利用了以下信息

• index，每一行的唯一标识符
• cc_num，客户的信用卡号
• merchant，商家名称
• amt，交易额
• is_fraud，目标变量，

在开始任何机器学习任务之前尽可能探索和熟悉数据集。

加载数据集并构建图

由于该数据集是一个简单的交易列表，执行一些操作构建信用卡交易图。
选取真实数据的20%和所有的欺诈交易，如下所示：

import pandas as pd

df = pd.read_csv('fraudTest.csv')
df = df[df['is_fraud']==0].sample(frac=0.2, random_state=42).append(df[df['is_fraud']==1])
df['is_fraud'].value_counts()

输出：一共110715 + 2145条数据。

了解如何从数据中构建图，

• 二分法构建图，
• 三分法构建图，

二分法

构建一个加权二分图$G=(V,E,\omega )$，其中节点有两类，代表客户和商家，如果存在客户到商家的交易，则创建边。每条边分配一个权重代表交易金额。

如果客户和商家存在多笔交易，则两个节点建立一条边，权重由所有交易金额的总和给出。

知识点：二分图

二分图又称二部图，是图论中的一种特殊模型，它的顶点可分割为两个互不相交的子集，并且图中的每条边所关联的两个顶点分别属于这两个不同的顶点集。
二分图在复杂网络分析中有很多应用，例如科学家合作网络（作者和论文）、商品网络（商品和购买者）、城市公交网络（线路和站点）等都可以用二分图来进行描述。
NetworkX提供了一些基本的二分图建模与分析功能.

构建二分图的函数

# 定义构建二分图函数
import networkx as nx
def build_graph_bipartite(df_input, graph_type=nx.Graph()):
    df = df_input.copy(