Centralité d’entrée (in-degree)
La centralité mesure l’importance d’un nœud dans un réseau. Il en existe plusieurs types, et chacun a une signification légèrement différente dans les réseaux Twitter. Nous commençons par la centralité de degré, car son calcul est simple et son interprétation intuitive.
Pour les réseaux orientés comme Twitter, il faut distinguer la centralité d’entrée (in-degree) de la centralité de sortie (out-degree), en particulier dans les réseaux de retweets. Dans ces réseaux, la centralité d’entrée met en évidence les utilisateurs qui sont beaucoup retweetés.
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.
Cet exercice fait partie du cours
<cours>Analyser des données de réseaux sociaux en Python</cours>Instructions de l’exercice
- Calculez la centralité d’entrée pour le réseau de retweets avec
nx.in_degree_centrality()et stockez-la dansrt_centrality. - Faites de même pour le réseau de réponses et stockez-la dans
reply_centrality. - Passez les items (c’est-à-dire les paires clé-valeur) des centralités de réponses au constructeur de 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())