directed_configuration_model#

directed_configuration_model(in_degree_sequence, out_degree_sequence, create_using=None, seed=None)[源代码]#

返回具有给定度数序列的有向随机图。

配置模型通过随机分配边来匹配给定的度数序列，生成随机定向伪图（具有平行边和自循环的图）。

参数

in_degree_sequence非负整数列表: 每个列表条目对应于节点的入度。
out_degree_sequence非负整数列表: 每个列表条目对应于节点的出度。
create_using网络X图形构造函数，可选(默认多重有向图): 要创建的图表类型。如果是图表实例，则在填充之前清除。
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

GMultiDiGraph: 具有指定度序列的图。节点从0开始使用与deg_equence中的位置相对应的索引进行标记。

加薪

NetworkXError: 如果度序列的和不相同。

参见

configuration_model

笔记

纽曼所描述的算法 [1].

由于此函数返回具有自循环和平行边的图，因此允许使用非图形度序列（某些简单图无法实现）。如果度序列不具有相同的和，则会引发异常。

这种配置模型构造过程会导致重复的边和环。您可以删除自循环和平行边（见下文），这可能导致图形没有指定确切的度数序列。这种“有限尺寸效应”随着图形尺寸的增大而减小。

工具书类

1: Newman，M.E.J.和Strogatz，S.H.和Watts，D.J.任意度分布的随机图及其应用物理。牧师。E，64026118（2001年）

实例

可以修改现有有向图中的进出度序列，以创建新的有向图。例如，我们在这里修改了定向路径图：

>>> D = nx.DiGraph([(0, 1), (1, 2), (2, 3)])
>>> din = list(d for n, d in D.in_degree())
>>> dout = list(d for n, d in D.out_degree())
>>> din.append(1)
>>> dout[0] = 2
>>> # We now expect an edge from node 0 to a new node, node 3.
... D = nx.directed_configuration_model(din, dout)

返回的图是一个有向多图，可能有平行边。要从返回的图形中删除任何平行边，请执行以下操作：

>>> D = nx.DiGraph(D)

同样，要删除自循环：

>>> D.remove_edges_from(nx.selfloop_edges(D))