Aan de slagGa gratis aan de slag

Belangrijke samenwerkers vinden

Bijna klaar! Je gaat nog één keer kijken naar belangrijke knopen. Hierbij gebruik je de functies degree_centrality() en betweenness_centrality() in NetworkX om de bijbehorende centraliteitsscores te berekenen, en daarna gebruik je die informatie om de "belangrijke knopen" te vinden. Met andere woorden: jouw taak in deze oefening is om de gebruiker(s) te vinden die met de meeste andere gebruikers hebben samengewerkt.

Deze oefening maakt deel uit van de cursus

Introductie tot netwerkanalyse in Python

Cursus bekijken

Oefeninstructies

  • Bereken de graadcentraliteiten van G. Sla het resultaat op als deg_cent.
  • Bereken de maximale graadcentraliteit. Omdat deg_cent een dictionary is, moet je eerst met de methode .values() een lijst met waarden ophalen voordat je de maximale graadcentraliteit met max() berekent.
  • Identificeer de meest productieve samenwerkers met een list comprehension:
    • Itereer over de dictionary met graadcentraliteit deg_cent die je eerder hebt berekend met de methode .items(). Aan welke voorwaarde moet worden voldaan als je de gebruiker(s) zoekt die met de meeste andere gebruikers hebben samengewerkt? Hint: dit heeft te maken met de maximale graadcentraliteit.
  • Klik op 'Antwoord verzenden' om te zien wie de meest productieve samenwerker(s) is/zijn!

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Compute the degree centralities of G: deg_cent
deg_cent = ____

# Compute the maximum degree centrality: max_dc
max_dc = ____

# Find the user(s) that have collaborated the most: prolific_collaborators
prolific_collaborators = [n for n, dc in ____ if ____ == ____]

# Print the most prolific collaborator(s)
print(prolific_collaborators)
Code bewerken en uitvoeren