rich_club_coefficient#
- rich_club_coefficient(G, normalized=True, Q=100, seed=None)[源代码]#
返回图的富俱乐部系数
G
.每个学位 k , the rich-club coefficient 度大于的节点的实际边数与潜在边数的比率。 k :
\[\ phi(k)=\frac 2 e_k n_k(n_k-1)\]在哪里?
N_k
度大于的节点数 k 和E_k
是这些节点之间的边数。- 参数
- G网络X图表
既没有平行边也没有自环的无向图。
- normalized布尔值(可选)
使用随机化网络进行归一化,如 [1]
- Q浮点(可选,默认为100)
如果
normalized
为True,则执行Q * m
双边掉期,其中m
中的边数G
,以用作归一化的空模型。- seed整数、随机状态或无(默认)
随机数生成状态的指示器。见 Randomness .
- 返回
- rc词典
一本词典,以程度为关键字,带有富人俱乐部系数值。
笔记
丰富的俱乐部定义和算法可在 [1]. 该算法忽略了任何边权重,不适用于有向图或具有平行边或自环的图。
的适当价值的估计
Q
可在以下位置找到 [2].工具书类
- 1(1,2)
Julian J.McAuley、Luciano da Fontoura Costa和Tib_rio S.Caetano,“复杂网络层次结构中的丰富俱乐部现象”,《应用物理学快报》第91卷第8期,2007年8月。网址:https://arxiv.org/abs/physics/0701290
- 2
R.Milo,N.Kashtan,S.Itzkovitz,M.E.J.Newman,U.Alon,“任意度序列随机图的均匀生成”,2006年。网址:https://arxiv.org/abs/cond-mat/0312028
实例
>>> G = nx.Graph([(0, 1), (0, 2), (1, 2), (1, 3), (1, 4), (4, 5)]) >>> rc = nx.rich_club_coefficient(G, normalized=False, seed=42) >>> rc[0] 0.4