社区

计算和测量社区结构的功能。

此类中的函数未导入顶级 networkx 命名空间。您可以通过导入 networkx.algorithms.community 模块，然后访问作为属性的函数 community . 例如：：

>>> from networkx.algorithms import community
>>> G = nx.barbell_graph(5, 1)
>>> communities_generator = community.girvan_newman(G)
>>> top_level_communities = next(communities_generator)
>>> next_level_communities = next(communities_generator)
>>> sorted(map(sorted, next_level_communities))
[[0, 1, 2, 3, 4], [5], [6, 7, 8, 9, 10]]

双分区

用于计算Kernighan–Lin二部算法的函数。

kernighan_lin_bisection(G[, partition, ...])

使用Kernighan–Lin算法将图划分为两个块。

K集团

k_clique_communities(G, k[, cliques])

利用渗透法在图中寻找K族群落。

基于模块化的社区

基于模块化的社区检测功能。

greedy_modularity_communities(G[, weight, ...])	使用贪婪的模块化最大化找到G中的社区。
naive_greedy_modularity_communities(G[, ...])	使用贪婪的模块化最大化找到G中的社区。

树分区

精确最优加权树划分的Lukes算法。

lukes_partitioning(G, max_size[, ...])

基于Lukes算法的加权树的最优划分。

标签传播

标记传播社区检测算法。

asyn_lpa_communities(G[, weight, seed])	返回社区 G 由异步标签传播检测到。
label_propagation_communities(G)	生成由标签传播确定的社区集

卢万社区检测

基于Louvain社区检测算法的社区检测函数

louvain_communities(G[, weight, resolution, ...])	使用Louvain社区检测算法查找图的最佳分区。
louvain_partitions(G[, weight, resolution, ...])	生成Louvain社区检测算法的每个级别的分区

流动社区

用于社区检测的异步流体社区算法。

asyn_fluidc(G, k[, max_iter, seed])

返回社区 G 由流体社区算法检测。

测量分区

测量分区质量的功能（进入社区）。

coverage(G, partition)	返回分区的覆盖率。
modularity(G, communities[, weight, resolution])	返回图的给定分区的模块性。
partition_quality(G, partition)	返回G的一个划分的覆盖率和性能。
performance(G, partition)	返回分区的性能。

通过中心性度量划分

基于中心性概念的计算社区功能。

girvan_newman(G[, most_valuable_edge])

使用girvan–newman方法在图中查找社区。

正在验证分区

社区查找算法的助手函数。

is_partition(G, communities)

返回 True 如果 communities 是的节点的分区 G .