编写一段python代码，可以导入数据集，代码要求：首先输出数据集中每条边的中心性以及原始数据集的节点数与边数目，输出原始数据集的攻击测度指标R（其中R代表移除边后的最大连通子图大小与原始图大小的比率），然后根据计算出来的中心性将边按降序排列出来，删除前100条边，要求删除边之后，数据集的节点数目也要发生变化，最终要求输出："删除100条边后的R值："、"删除100条边后的节点数目："、"删除100条边后的边数目："。

以下是一个简单的导入数据集的Python代码，其中使用了networkx库来进行图的操作和计算中心性指标：

import networkx as nx
import random

# 导入数据集
G = nx.read_edgelist('dataset.txt')

# 输出节点数和边数
print("节点数:", G.number_of_nodes())
print("边数:", G.number_of_edges())

# 计算各个节点的中心性
centrality = nx.degree_centrality(G)
for node, cent in centrality.items():
    print('节点', node, '的中心性为', cent)

# 计算初始的攻击测度指标R
R = max(nx.connected_component_subgraphs(G), key=len)
R_value = len(R) / G.number_of_nodes()
print("初始的R值为:", R_value)

# 按照中心性指标排序
sorted_edges = sorted(G.edges(), key=lambda x: centrality[x[0]] + centrality[x[1]], reverse=True)

# 删除前100条边，并输出删除后的结果
for i in range(100):
    G.remove_edge(*sorted_edges[i])

print("删除100条边后的R值为:", len(max(nx.connected_component_subgraphs(G), key=len)) / G.number_of_nodes())
print("删除100条边后的节点数目为:", G.number_of_nodes())
print("删除100条边后的边数目为:", G.number_of_edges())

需要注意的是，本代码仅提供了一个简单的示例，实际上在处理大规模的数据集时可能会遇到内存不足等问题，需要根据具体情况进行优化。