Metrieken op node-niveau

Socialmediagegevens analyseren in Python

Alex Hanna

Computational Social Scientist

Centraliteit: nodebelang

Centraliteit
- Maten voor het belang van een node in een netwerk
- Meerdere ideeën over "belang"

Graadcentraliteit

Graad

Aantal randen dat met de node is verbonden
Twee typen graden in een gericht netwerk
- In-degree - rand die naar de node gaat
- Out-degree - rand die van een node af gaat

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

In-degree-centraliteit

Betweenness-centraliteit

Hoeveel kortste paden tussen twee nodes lopen via deze node
Belang als netwerkmakelaar

nx.betweenness_centrality(T)

Betweenness-centraliteit

Hoogste centraliteit afdrukken

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

Betweenness-centraliteit

Centraliteit in verschillende netwerken

Centraliteit 2x3-tabel

De 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']

Laten we oefenen!

Socialmediagegevens analyseren in Python