節點層級指標

使用 Python 分析社群媒體資料

Alex Hanna

Computational Social Scientist

中心性：節點重要性

中心性
- 衡量節點在網路中的重要性
- 「重要性」有多種定義

Degree 中心性

Degree

與節點相連的邊數
有向網路的兩種 degree
- In-degree－邊指向節點
- Out-degree－邊自節點指出

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

入度中心性

介數中心性（Betweenness）

兩節點之間的最短路徑，有多少條經過此節點
作為網路中介者的重要性

nx.betweenness_centrality(T)

介數中心性

印出最高中心性

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

介數中心性

不同網路的中心性

中心性 2x3 表

比值

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']

一起來練習吧！

使用 Python 分析社群媒體資料