LFR_benchmark_graph#

LFR_benchmark_graph(n, tau1, tau2, mu, average_degree=None, min_degree=None, max_degree=None, min_community=None, max_community=None, tol=1e-07, max_iters=500, seed=None)[源代码]#

返回LFR基准图。

该算法的过程如下：

求一个具有幂律分布和最小值的度序列 min_degree ，近似平均度 average_degree . 这可以通过以下两种方式实现：
1. 指定 min_degree 而不是 average_degree ，
2. 指定 average_degree 而不是 min_degree 在这种情况下，将找到合适的最低学位。
max_degree 也可以指定，否则将设置为 n . 每个节点 u 将有 mu mathrm{{deg}}(u) 边缘将其连接到社区中的节点，而不是其自身和 (1 - mu) mathrm{{deg}}(u) 边缘将其连接到自己社区中的节点。
根据指数幂律分布生成社区大小 tau2 .如果 min_community 和 max_community 未指定它们将被选择为 min_degree 和 max_degree ，分别。社区规模的总和等于 n .
每个节点将被随机分配一个社区，条件是社区足够大以满足节点的内部社区程度。 (1 - mu) mathrm{{deg}}(u) 如步骤2所述。如果社区太大，将选择一个随机节点重新分配给新社区，直到所有节点都分配给一个社区。
每个节点 u 然后添加 (1 - mu) mathrm{{deg}}(u) 社区内边缘和 mu mathrm{{deg}}(u) 社区间的优势。

参数

n集成: 创建的图形中的节点数。
tau1浮动: 创建的图的度分布的幂指数。该值必须严格大于1。
tau2浮动: 创建的图表中的社区规模分布的幂指数。该值必须严格大于1。
mu浮动: 关联到每个节点的社区间边的分数。该值必须在间隔内 [0, 1] 。
average_degree浮动: 创建的图表中所需的节点平均度。该值必须在间隔内 [0, n] 。恰好就是其中的一个 min_degree 必须指定，否则将引发 NetworkXError 都被养大了。
min_degree集成: 创建的图形中的最小节点度。该值必须在间隔内 [0, n] 。恰好就是其中的一个 average_degree 必须指定，否则将引发 NetworkXError 都被养大了。
max_degree集成: 创建的图形中节点的最大度数。如果未指定，则将其设置为 n ，图形中的节点总数。
min_community集成: 图中社区的最小大小。如果未指定，则将其设置为 min_degree 。
max_community集成: 图表中社区的最大大小。如果未指定，则将其设置为 n ，图形中的节点总数。
tol浮动: 比较浮点数时的容差，特别是比较平均次数值时的容差。
max_iters集成: 尝试创建社区大小、学位分布和社区从属关系的最大迭代次数。
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

G网络X图表

根据指定参数生成的LFR基准图。

图中的每个节点都有一个节点属性 'community' 它存储包含它的社区（即节点集）。

加薪

NetworkXError

如果任何参数不满足其上下限：

tau1 and tau2 must be strictly greater than 1.
mu must be in [0, 1].
max_degree must be in {1, ..., n}.
min_community and max_community must be in {0, ..., n}.

如果不完全是 average_degree 和 min_degree 是指定的。

如果 min_degree 未指定，并且合适的 min_degree 找不到。

ExceededMaxIterations

如果不能在中创建有效的学位序列 max_iters 迭代次数。

如果无法在中创建一组有效的社区大小 max_iters 迭代次数。

如果无法在中创建有效的社区分配 10 * n * max_iters 迭代次数。

笔记

该算法与最初提出的方法稍有不同。 [1] .

我们不是通过配置模型连接图形，然后重新布线以匹配社区内和社区间的度，而是在末尾显式地进行连接，这应该是等效的。
作者网站上发布的代码 [2] 使用连续近似计算随机幂律分布变量及其平均值，而我们在这里使用离散分布作为度和社区大小都是离散的。

虽然作者将该算法描述为非常健壮的，但是在开发过程中的测试表明，稍微狭窄的参数集很可能成功地生成一个图。在例外情况下提供了一些建议。

工具书类

1: “测试社区检测算法的基准图”，Andrea Lanchichichinetti、Santo Fortunato和Filippo Radicchi，Phys。牧师。E 78046110 2008年
2: https://www.santofortunato.net/resources

实例

基本用法：

>>> from networkx.generators.community import LFR_benchmark_graph
>>> n = 250
>>> tau1 = 3
>>> tau2 = 1.5
>>> mu = 0.1
>>> G = LFR_benchmark_graph(
...     n, tau1, tau2, mu, average_degree=5, min_community=20, seed=10
... )

继续上面的示例，可以从图的节点属性中获取社区：

>>> communities = {frozenset(G.nodes[v]["community"]) for v in G}