Mesures au niveau des nœuds

Analyser des données de réseaux sociaux en Python

Alex Hanna

Computational Social Scientist

Centralité : importance d'un nœud

Centralité
- Mesures de l'importance d'un nœud dans un réseau
- Plusieurs notions d'« importance »

Centralité de degré

Degré

Nombre d'arêtes connectées au nœud
Deux types de degrés dans un réseau orienté
- Degré entrant : arête entrant dans le nœud
- Degré sortant : arête sortant du nœud

nx.in_degree_centrality(T)
nx.out_degree_centrality(T)

Centralité de degré entrant

Centralité d'intermédiarité

Nombre de plus courts chemins entre deux nœuds passant par ce nœud
Importance comme courtier du réseau

nx.betweenness_centrality(T)

Centralité d'intermédiarité

Afficher les plus fortes centralités

bc = nx.betweenness_centrality(T)

betweenness = pd.DataFrame(
      list(bc.items()), 
      columns = ['Name', 'Cent'])

print(betweenness.sort_values(
       'Cent', 
       ascending = False).head())

    Name  Centrality
0      0    0.232540
23    23    0.158514
7      7    0.158514
15    15    0.158514
21    21    0.157588

Centralité d'intermédiarité

Centralité selon les réseaux

Centralité : tableau 2×3

Le ratio

degree_rt = pd.DataFrame(list(G_rt.in_degree()), 
                         columns = ['screen_name', 'degree'])
degree_reply = pd.DataFrame(list(G_reply.in_degree()),
                            columns = ['screen_name', 'degree'])

ratio = degree_rt.merge(degree_reply, 
                        on = 'screen_name', 
                        suffixes = ('_rt', '_reply'))

ratio['ratio'] = ratio['degree_reply'] / ratio['degree_rt']

Passons à la pratique !

Analyser des données de réseaux sociaux en Python