CommencezCommencez gratuitement

Analyse approfondie – réseau Twitter, partie II

Vous allez maintenant faire une analyse approfondie similaire sur la centralité d'intermédiarité ! Quelques rappels pour vous guider : la centralité d'intermédiarité se calcule avec nx.betweenness_centrality(G).

Cette activité fait partie du cours

Introduction à l'analyse des réseaux en Python

Voir le cours

Instructions de l’exercice

  • Écrivez une fonction find_node_with_highest_bet_cent(G) qui retourne le ou les nœuds ayant la plus forte centralité d'intermédiarité.
    • Calculez la centralité d'intermédiarité de G.
    • Calculez la centralité d'intermédiarité maximale avec la fonction max() sur list(bet_cent.values()).
    • Itérez sur le dictionnaire de centralité d'intermédiarité, bet_cent.items().
    • Si la valeur de centralité d'intermédiarité v du nœud courant k est égale à max_bc, ajoutez-le à l'ensemble des nœuds.
  • Utilisez votre fonction pour trouver le ou les nœuds ayant la plus forte centralité d'intermédiarité dans T.
  • Écrivez une assertion pour vérifier que vous avez le bon nœud. Cela a été fait pour vous, alors cliquez sur « Soumettre la réponse » pour voir le résultat !

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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())
Modifier et exécuter le code