Zacznij terazZacznij za darmo

Głęboka analiza – sieć Twitter, część II

Teraz przeprowadzisz analogiczną głęboką analizę, tym razem skupiając się na centralności pośrednictwa! Pamiętaj, że oblicza się ją za pomocą nx.betweenness_centrality(G).

To ćwiczenie jest częścią kursu

Wprowadzenie do analizy sieci w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Napisz funkcję find_node_with_highest_bet_cent(G), która zwraca węzeł (lub węzły) o najwyższej centralności pośrednictwa.
    • Oblicz centralność pośrednictwa grafu G.
    • Oblicz maksymalną centralność pośrednictwa, używając funkcji max() na list(bet_cent.values()).
    • Iteruj po słowniku centralności pośrednictwa, bet_cent.items().
    • Jeśli wartość centralności pośrednictwa v bieżącego węzła k jest równa max_bc, dodaj go do zbioru węzłów.
  • Użyj swojej funkcji, aby znaleźć węzeł (lub węzły) o najwyższej centralności pośrednictwa w T.
  • Napisz instrukcję asercji sprawdzającą poprawność wyniku. Została już przygotowana, więc kliknij „Prześlij odpowiedź", aby zobaczyć rezultat!

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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())
Edytuj i uruchom kod