เมตริกระดับโหนด

การวิเคราะห์ข้อมูลโซเชียลมีเดียด้วย Python

Alex Hanna

Computational Social Scientist

Centrality: ความสำคัญของโหนด

Centrality
- วัดความสำคัญของโหนดในเครือข่าย
- มีแนวคิดเรื่อง "ความสำคัญ" หลายรูปแบบ

Degree centrality

Degree

จำนวนเอดจ์ที่เชื่อมต่อกับโหนด
Directed network มี degree 2 ประเภท
- In-degree - เอดจ์ที่วิ่งเข้าสู่โหนด
- Out-degree - เอดจ์ที่วิ่งออกจากโหนด

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

In-degree centrality

Betweenness centrality

จำนวน shortest path ระหว่างสองโหนดที่ผ่านโหนดนี้
วัดความสำคัญในฐานะตัวกลางของเครือข่าย

nx.betweenness_centrality(T)

Betweenness centrality

แสดงค่า centrality สูงสุด

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 centrality

Centrality ในเครือข่ายรูปแบบต่างๆ

ตาราง Centrality 2x3

อัตราส่วน

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']

มาฝึกกันเถอะ!

การวิเคราะห์ข้อมูลโซเชียลมีเดียด้วย Python