Centralność wejściowa (in-degree centrality)
Centralność to miara znaczenia węzła w sieci. Istnieje wiele jej rodzajów, a każdy z nich ma nieco inne znaczenie w sieciach twitterowych. Zacznijmy od centralności stopnia (degree centrality) – jest łatwa do obliczenia i ma intuicyjną interpretację.
W przypadku sieci skierowanych, takich jak sieci na Twitterze, należy odróżniać centralność wejściową (in-degree) od wyjściowej (out-degree), szczególnie w sieciach retweetów. Wysoka centralność wejściowa w sieci retweetów oznacza, że dany użytkownik jest często retweetowany.
networkx został zaimportowany jako nx.
Załadowano również sieci G_rt i G_reply oraz zmienną column_names = ['screen_name', 'degree_centrality'].
To ćwiczenie jest częścią kursu
Analiza danych z mediów społecznościowych w Pythonie
Instrukcje do ćwiczenia
- Oblicz centralność wejściową dla sieci retweetów za pomocą
nx.in_degree_centrality()i zapisz wynik wrt_centrality. - Zrób to samo dla sieci odpowiedzi i zapisz wynik w
reply_centrality. - Przekaż elementy (czyli krotki klucz–wartość) centralności sieci odpowiedzi do konstruktora DataFrame.
- Zrób to samo dla sieci odpowiedzi.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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())