Centralité d'entrée
La centralité mesure l'importance d'un nœud dans un réseau. Il en existe plusieurs types, et chacun a un sens légèrement différent dans les réseaux Twitter. Nous allons d'abord nous concentrer sur la centralité de degré, car son calcul est simple et son interprétation est intuitive.
Pour les réseaux orientés comme Twitter, il faut distinguer la centralité d'entrée et de sortie, surtout dans les réseaux de repartage (retweet). La centralité d'entrée dans les réseaux de repartage met en évidence les personnes utilisatrices qui reçoivent beaucoup de repartages.
networkx a été importé sous le nom nx.
De plus, les réseaux G_rt et G_reply ainsi que column_names = ['screen_name', 'degree_centrality'] ont été chargés pour vous.
Cette activité fait partie du cours
Analyser des données de médias sociaux avec Python
Instructions de l’exercice
- Calculez la centralité d'entrée pour le réseau de repartage avec
nx.in_degree_centrality()et enregistrez-la dansrt_centrality. - Faites de même pour le réseau de réponses et enregistrez le résultat dans
reply_centrality. - Passez les items (c.-à-d. les paires clé-valeur) des centralités de réponses au constructeur du DataFrame.
- Faites de même pour le réseau de réponses.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Generate in-degree centrality for retweets
rt_centrality = ____
# Generate in-degree centrality for replies
reply_centrality = ____
# Store centralities in DataFrame
rt = pd.DataFrame(list(____), columns = column_names)
reply = pd.DataFrame(list(____), columns = column_names)
# Print first five results in descending order of centrality
print(rt.sort_values('degree_centrality', ascending = False).head())
# Print first five results in descending order of centrality
print(reply.sort_values('degree_centrality', ascending = False).head())