rich_club_coefficient

rich_club_coefficient(G, normalized=True, Q=100, seed=None)

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