eigenvector_centrality_numpy#
- eigenvector_centrality_numpy(G, weight=None, max_iter=50, tol=0)[源代码]#
计算图G的特征向量中心性。
特征向量中心性基于其邻居的中心性来计算节点的中心性。节点的特征向量中心性 \(i\) 是
\[AX=λx\]哪里 \(A\) 是具有特征值的图G的邻接矩阵 \(\lambda\) 。根据Perron-Frobenius定理,存在唯一的正解,如果 \(\lambda\) 是与邻接矩阵的特征向量相关联的最大特征值 \(A\) ([2]) 。
- 参数
- G图表
网络X图
- weight无或字符串,可选(默认值=无)
用作权重的边属性的名称。如果没有,则所有边权重被视为相等。在这种测量中,重量被解释为连接强度。
- max_iter整数,可选(默认值=100)
幂方法中的最大迭代次数。
- tol浮点,可选(默认值=1.0E-6)
特征值的相对精度(停止标准)。默认值0表示机器精度。
- 返回
- nodes词典
以特征向量中心度为值的节点字典。
- 加薪
- NetworkXPointlessConcept
如果图表
G
是空图。
参见
eigenvector_centrality
pagerank
hits
笔记
这项措施是由 [1].
该算法使用scipy稀疏特征值求解器(arpack)寻找最大特征值/特征向量对。
对于有向图,这是“左”特征向量的中心性,它对应于图中的内边缘。对于外边缘特征向量的中心性,首先用
G.reverse()
.工具书类
- 1
Phillip Bonacich:权力与中心性:一个衡量标准系列。美国社会学杂志92(5):1170–1182,1986 http://www.leonidzhukov.net/hse/2014/socialnetworks/papers/bonacich-centrality.pdf
- 2
马克·E·J·纽曼:网络:导论。牛津大学出版社,美国,2010年,第169页。
实例
>>> G = nx.path_graph(4) >>> centrality = nx.eigenvector_centrality_numpy(G) >>> print([f"{node} {centrality[node]:0.2f}" for node in centrality]) ['0 0.37', '1 0.60', '2 0.60', '3 0.37']