within_inter_cluster#

计算ebunch中所有节点对的簇内和簇间公共邻居的比率。

对于两个节点 u 和 v ，如果是共同的邻居 w 和它们属于同一个社区， w 被视为群集中的公共邻居 u 和 v 。否则，它将被视为的群集间公共邻居 u 和 v 。集群内和集群间公共邻居集合的大小之间的比率被定义为WIC度量。 [1]

参数
G图表

网络X无向图。

ebunch节点对的可迭代，可选(默认=无)

将为迭代表中给出的每对节点计算WIC度量。这些对必须以2元组(u，v)的形式给出，其中u和v是图中的节点。如果eBunch为None，则将使用图形中所有不存在的边。默认值：无。

delta浮点，可选(默认值=0.001)

值以防止在两个节点之间没有群集间公共邻居的情况下除以零。看见 [1] 了解更多细节。默认值：0.001。

community字符串，可选(默认为‘社区’)

包含社区信息的节点属性名称。G [u] [社区] 标识您属于哪个社区。每个节点最多属于一个社区。缺省值：‘社区’。

返回
piter迭代器

形式为(u，v，p)的三元组迭代器，其中(u，v)是一对节点，p是它们的WIC度量。

工具书类

1(1,2)

Jorge Carlos Valverde Rebaza和Alneu de Andrade Lopes。基于聚类信息的复杂网络链路预测。第21届巴西人工智能进展会议记录（SBIA'12）https://doi.org/10.1007/978-3-642-34459-6_10

实例

>>> G = nx.Graph()
>>> G.add_edges_from([(0, 1), (0, 2), (0, 3), (1, 4), (2, 4), (3, 4)])
>>> G.nodes[0]["community"] = 0
>>> G.nodes[1]["community"] = 1
>>> G.nodes[2]["community"] = 0
>>> G.nodes[3]["community"] = 0
>>> G.nodes[4]["community"] = 0
>>> preds = nx.within_inter_cluster(G, [(0, 4)])
>>> for u, v, p in preds:
...     print(f"({u}, {v}) -> {p:.8f}")
(0, 4) -> 1.99800200
>>> preds = nx.within_inter_cluster(G, [(0, 4)], delta=0.5)
>>> for u, v, p in preds:
...     print(f"({u}, {v}) -> {p:.8f}")
(0, 4) -> 1.33333333