ComenzarEmpieza gratis

Análisis en profundidad: red de Twitter (parte II)

Ahora vas a hacer un análisis similar de la centralidad de intermediación. Unas pocas pistas para ayudarte: recuerda que la centralidad de intermediación se calcula con nx.betweenness_centrality(G).

Este ejercicio forma parte del curso

Introducción al análisis de redes en Python

Ver curso

Instrucciones del ejercicio

  • Escribe una función find_node_with_highest_bet_cent(G) que devuelva el/los nodo(s) con la mayor centralidad de intermediación.
    • Calcula la centralidad de intermediación de G.
    • Calcula la centralidad de intermediación máxima usando la función max() sobre list(bet_cent.values()).
    • Itera sobre el diccionario de centralidad de intermediación, bet_cent.items().
    • Si el valor de centralidad de intermediación v del nodo actual k es igual a max_bc, añádelo al conjunto de nodos.
  • Usa tu función para encontrar el/los nodo(s) con la mayor centralidad de intermediación en T.
  • Escribe una aserción para comprobar que has obtenido el nodo correcto. Esto ya está hecho por ti, así que pulsa "Enviar respuesta" para ver el resultado.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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())
Editar y ejecutar código