LoslegenKostenlos loslegen

Deep Dive – Twitter-Netzwerk Teil II

Als Nächstes machst du einen analogen Deep Dive zur Betweenness-Zentralität! Nur ein paar Hinweise zur Unterstützung: Denk daran, dass die Betweenness-Zentralität mit nx.betweenness_centrality(G) berechnet wird.

Diese Übung ist Teil des Kurses

Einstieg in die Netzwerkanalyse mit Python

Kurs anzeigen

Anleitung zur Übung

  • Schreibe eine Funktion find_node_with_highest_bet_cent(G), die den/die Knoten mit der höchsten Betweenness-Zentralität zurückgibt.
    • Berechne die Betweenness-Zentralität von G.
    • Bestimme die maximale Betweenness-Zentralität mit der Funktion max() auf list(bet_cent.values()).
    • Iteriere über das Betweenness-Zentralitäts-Dictionary bet_cent.items().
    • Wenn der Betweenness-Zentralitätswert v des aktuellen Knotens k gleich max_bc ist, füge ihn der Knotenmange hinzu.
  • Verwende deine Funktion, um den/die Knoten mit der höchsten Betweenness-Zentralität in T zu finden.
  • Schreibe eine Assertion, dass du den richtigen Knoten gefunden hast. Das wurde bereits für dich erledigt – klicke also auf 'Antwort senden', um das Ergebnis zu sehen!

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Define find_node_with_highest_bet_cent()
def find_node_with_highest_bet_cent(G):

    # Compute betweenness centrality: bet_cent
    bet_cent = ____

    # Compute maximum betweenness centrality: max_bc
    max_bc = ____

    nodes = set()

    # Iterate over the betweenness centrality dictionary
    for k, v in ____:

        # Check if the current value has the maximum betweenness centrality
        if ____ == ____:

            # Add the current node to the set of nodes
            ____

    return nodes

# Use that function to find the node(s) that has the highest betweenness centrality in the network: top_bc
top_bc = ____
print(top_bc)

# Write an assertion statement that checks that the node(s) is/are correctly identified.
for node in top_bc:
    assert nx.betweenness_centrality(T)[node] == max(nx.betweenness_centrality(T).values())
Code bearbeiten und ausführen