Noднivåmätvärden

Analys av sociala medier i Python

Alex Hanna

Computational Social Scientist

Centralitet: nodvikt

Centralitet
- Mäter hur viktig en nod är i ett nätverk
- Flera olika definitioner av "vikt"

Gradscentralitet

Grad

Antal kanter kopplade till noden
Två typer av grader i ett riktat nätverk
- In-grad – kant som går in i noden
- Ut-grad – kant som går ut från noden

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

In-gradscentralitet

Mellanhetscentralitet

Hur många kortaste vägar mellan två noder som passerar genom denna nod
Vikt som nätverksmäklare

nx.betweenness_centrality(T)

Mellanhetscentralitet

Skriva ut högsta centralitet

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

Mellanhetscentralitet

Centralitet i olika nätverk

Centralitetstabell 2x3

Kvoten

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']

Nu kör vi en övning!

Analys av sociala medier i Python