IniziaInizia gratis

Approfondimento - Rete di Twitter parte II

Ora farai un approfondimento analogo sulla betweenness centrality! Solo qualche suggerimento per aiutarti: ricorda che la betweenness centrality si calcola con nx.betweenness_centrality(G).

Questo esercizio fa parte del corso

Introduzione all'analisi delle reti in Python

Visualizza il corso

Istruzioni dell'esercizio

  • Scrivi una funzione find_node_with_highest_bet_cent(G) che restituisce il o i nodi con la betweenness centrality più alta.
    • Calcola la betweenness centrality di G.
    • Calcola il massimo della betweenness centrality usando la funzione max() su list(bet_cent.values()).
    • Itera sul dizionario della betweenness centrality, bet_cent.items().
    • Se il valore di betweenness centrality v del nodo corrente k è uguale a max_bc, aggiungilo all'insieme dei nodi.
  • Usa la tua funzione per trovare il o i nodi con la betweenness centrality più alta in T.
  • Scrivi un'istruzione di asserzione per verificare che hai trovato il nodo giusto. Questo è già stato fatto per te, quindi fai clic su "Invia risposta" per vedere il risultato!

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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())
Modifica ed esegui il codice