In-degree-centralitet

Centralitet är ett mått på hur viktig en nod är i ett nätverk. Det finns många olika typer av centralitet, och var och en har en något annorlunda innebörd i Twitter-nätverk. Vi börjar med degree-centralitet, eftersom beräkningen är enkel och har en intuitiv förklaring.

För riktade nätverk som Twitter behöver vi skilja på in-degree- och out-degree-centralitet, särskilt i retweetsnätverk. In-degree-centralitet i retweetsnätverk visar vilka användare som får många retweets.

networkx har importerats som nx. Nätverken G_rt och G_reply samt column_names = ['screen_name', 'degree_centrality'] har också laddats in åt dig.

Den här övningen är en del av kursen

Analys av sociala medier i Python

Visa kurs

Övningsinstruktioner

Beräkna in-degree-centralitet för retweetsnätverket med nx.in_degree_centrality() och lagra resultatet i rt_centrality.
Gör samma sak för svarsnätverket och lagra resultatet i reply_centrality.
Skicka in elementen (dvs. nyckel-värde-tuplerna) från svarscentraliteterna till DataFrame-konstruktorn.
Gör samma sak för svarsnätverket.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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())

Redigera och kör kod