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']