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。
|
使用Kernighan–Lin算法将图划分为两个块。 |
K集团#
|
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。
|
使用贪婪的模块化最大化找到G中的社区。 |
|
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。
|
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。
|
返回社区 |
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
|
使用Louvain社区检测算法查找图的最佳分区。 |
|
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。
|
返回社区 |
测量分区#
测量分区质量的功能(进入社区)。
|
返回分区的覆盖率。 |
|
返回图的给定分区的模块性。 |
|
返回G的一个划分的覆盖率和性能。 |
|
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。
|
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。
|
返回 True 如果 |