In-degree-centraliteit

Centraliteit meet hoe belangrijk een knooppunt is binnen een netwerk. Er zijn veel soorten centraliteit en elk heeft een iets andere betekenis in Twitter-netwerken. We beginnen met graadcentraliteit, omdat de berekening eenvoudig is en de uitleg intuïtief.

Voor gerichte netwerken zoals Twitter moeten we onderscheid maken tussen in-degree- en out-degree-centraliteit, zeker in retweetnetwerken. In-degree-centraliteit in retweetnetwerken wijst op gebruikers die veel retweets krijgen.

networkx is geïmporteerd als nx. Ook zijn de netwerken G_rt en G_reply en column_names = ['screen_name', 'degree_centrality'] alvast voor je geladen.

Deze oefening maakt deel uit van de cursus

Socialmediagegevens analyseren in Python

Bekijk cursus

Oefeninstructies

Bereken de in-degree-centraliteit voor het retweetnetwerk met nx.in_degree_centrality() en sla deze op in rt_centrality.
Doe hetzelfde voor het reply-netwerk en sla dit op in reply_centrality.
Geef de items (dus de sleutel-waardeparen) van de reply-centraliteiten door aan de DataFrame-constructor.
Doe hetzelfde voor het reply-netwerk.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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())

Code bewerken en uitvoeren