CommencezCommencez gratuitement

Qui est important dans la conversation?

Les différentes mesures de centralité cherchent toutes à répondre à une idée similaire : « quelles sont les arêtes les plus importantes ». Comme nous l'avons vu plus tôt, ces deux mesures l'abordent de façon légèrement différente. Gardez en tête que, même si elles peuvent produire une distribution semblable des valeurs de centralité, le rang d'un sommet donné peut varier d'une mesure à l'autre. Nous allons maintenant comparer les sommets les mieux classés des utilisateurs de Twitter.

Les vecteurs qui contiennent la centralité propre et la centralité d'intermédiarité sont stockés respectivement dans retweet_ec et retweet_btw.

Cette activité fait partie du cours

Études de cas : analyse de réseaux en R

Voir le cours

Instructions de l’exercice

  • Calculez le quantile 0.99 de la centralité d'intermédiarité, retweet_btw.
  • Filtrez retweet_btw pour ne garder que les valeurs supérieures à ce quantile, afin d'obtenir le top 1 %.
  • Faites la même chose pour la centralité propre, retweet_ec.
  • Exécutez le code qui place ces résultats dans un data frame et examinez-les.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Get 0.99 quantile of betweenness 
betweenness_q99 <- quantile(___, ___)

# Get top 1% of vertices by betweenness
top_btw <- ___[retweet_btw > ___]

# Get 0.99 quantile of eigen-centrality
eigen_centrality_q99 <- ___(___, ___)

# Get top 1% of vertices by eigen-centrality
top_ec <- ___

# See the results as a data frame
data.frame(
  Rank = seq_along(top_btw), 
  Betweenness = names(sort(top_btw, decreasing = TRUE)), 
  EigenCentrality = names(sort(top_ec, decreasing = TRUE))
)
Modifier et exécuter le code