圖的基礎(chǔ)知識


  1. 圖直徑
    定義為max d(u,v),其中u吊奢,v是兩個頂點键耕。也就是圖中距離最遠(yuǎn)的兩個點。
  2. 度中心性


  3. 特征向量中心性(Eigenvector Centrality)


  4. 中介中心性 (Betweenness Centrality)


  5. 連接中心性 (Closeness)


代碼:

import numpy as np
import pandas as pd
import networkx as nx
import matplotlib.pyplot as plt

edges = pd.DataFrame()
edges['sources'] = [0,1,2,3,4,4,6,7,7,9,1,4,4,4,6,7,5,8,9,8]
edges['targets'] = [1,4,4,4,6,7,5,8,9,8,0,1,2,3,4,4,6,7,7,9]
#edges['weights'] = [1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]

G = nx.from_pandas_edgelist(edges, source='sources',target='targets')
#畫圖
nx.draw_networkx(G)
plt.show()
# degree
print(nx.degree(G))
# 連通分量
print(list(nx.connected_components(G)))
# 圖直徑
print(nx.diameter(G))
# 度中心性
print('度中心性',nx.degree_centrality(G))
# 特征向量中心性
print('特征向量中心性',nx.eigenvector_centrality(G))
# betweenness
print('betweenness',nx.betweenness_centrality((G)))
# closeness
print('closeness',nx.closeness_centrality(G))
# pagerank
print('pagerank',nx.pagerank(G))
# HITS
print('HITS',nx.hits(G,tol=0.00001))

結(jié)果


[(0, 1), (1, 2), (4, 5), (2, 1), (3, 1), (6, 2), (7, 3), (5, 1), (8, 2), (9, 2)]
[{0, 1, 2, 3, 4, 5, 6, 7, 8, 9}]
4
度中心性 {0: 0.1111111111111111, 1: 0.2222222222222222, 4: 0.5555555555555556, 2: 0.1111111111111111, 3: 0.1111111111111111, 6: 0.2222222222222222, 7: 0.3333333333333333, 5: 0.1111111111111111, 8: 0.2222222222222222, 9: 0.2222222222222222}
特征向量中心性 {0: 0.105811214865129, 1: 0.26822822377524, 4: 0.5741403289553503, 2: 0.22648750077754073, 3: 0.22648750077754073, 6: 0.26822822377524, 7: 0.4660017030178054, 5: 0.10581121486512898, 8: 0.30358469410769445, 9: 0.30358469410769445}
betweenness {0: 0.0, 1: 0.2222222222222222, 4: 0.861111111111111, 2: 0.0, 3: 0.0, 6: 0.2222222222222222, 7: 0.38888888888888884, 5: 0.0, 8: 0.0, 9: 0.0}
closeness {0: 0.3333333333333333, 1: 0.47368421052631576, 4: 0.6923076923076923, 2: 0.42857142857142855, 3: 0.42857142857142855, 6: 0.47368421052631576, 7: 0.5294117647058824, 5: 0.3333333333333333, 8: 0.375, 9: 0.375}

Pagerank




# pagerank
print('pagerank',nx.pagerank(G))

HITS
按照HITS算法斑鼻,用戶輸入關(guān)鍵詞后,算法對返回的匹配頁面計算兩種值猎荠,一種是樞紐值(Hub Scores)坚弱,另一種是權(quán)威值(Authority Scores),這兩種值是互相依存、互相影響的关摇。所謂樞紐值荒叶,指的是頁面上所有導(dǎo)出鏈接指向頁面的權(quán)威值之和。權(quán)威值是指所有導(dǎo)入鏈接所在的頁面中樞紐之和拒垃。

一個網(wǎng)頁重要性的分析的算法停撞。

通常HITS算法是作用在一定范圍的瓷蛙,比如一個以程序開發(fā)為主題網(wǎng)頁悼瓮,指向另一個以程序開發(fā)為主題的網(wǎng)頁,則另一個網(wǎng)頁的重要性就可能比較高艰猬,但是指向另一個購物類的網(wǎng)頁則不一定横堡。

在限定范圍之后根據(jù)網(wǎng)頁的出度和入度建立一個矩陣,通過矩陣的迭代運算和定義收斂的閾值不斷對兩個向量Authority和Hub值進行更新直至收斂冠桃。

# HITS
print('HITS',nx.hits(G,tol=0.00001))
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末命贴,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子食听,更是在濱河造成了極大的恐慌胸蛛,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,817評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件樱报,死亡現(xiàn)場離奇詭異葬项,居然都是意外死亡,警方通過查閱死者的電腦和手機迹蛤,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評論 3 385
  • 文/潘曉璐 我一進店門民珍,熙熙樓的掌柜王于貴愁眉苦臉地迎上來襟士,“玉大人,你說我怎么就攤上這事嚷量÷穑” “怎么了?”我有些...
    開封第一講書人閱讀 157,354評論 0 348
  • 文/不壞的土叔 我叫張陵蝶溶,是天一觀的道長嗜历。 經(jīng)常有香客問我,道長抖所,這世上最難降的妖魔是什么秸脱? 我笑而不...
    開封第一講書人閱讀 56,498評論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮部蛇,結(jié)果婚禮上摊唇,老公的妹妹穿的比我還像新娘。我一直安慰自己涯鲁,他們只是感情好巷查,可當(dāng)我...
    茶點故事閱讀 65,600評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著抹腿,像睡著了一般岛请。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上警绩,一...
    開封第一講書人閱讀 49,829評論 1 290
  • 那天崇败,我揣著相機與錄音,去河邊找鬼肩祥。 笑死后室,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的混狠。 我是一名探鬼主播岸霹,決...
    沈念sama閱讀 38,979評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼将饺!你這毒婦竟也來了贡避?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,722評論 0 266
  • 序言:老撾萬榮一對情侶失蹤予弧,失蹤者是張志新(化名)和其女友劉穎刮吧,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體掖蛤,經(jīng)...
    沈念sama閱讀 44,189評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡杀捻,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,519評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了坠七。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片水醋。...
    茶點故事閱讀 38,654評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡旗笔,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出拄踪,到底是詐尸還是另有隱情蝇恶,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布惶桐,位于F島的核電站撮弧,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏姚糊。R本人自食惡果不足惜贿衍,卻給世界環(huán)境...
    茶點故事閱讀 39,940評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望救恨。 院中可真熱鬧贸辈,春花似錦、人聲如沸肠槽。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,762評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽秸仙。三九已至嘴拢,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間寂纪,已是汗流浹背席吴。 一陣腳步聲響...
    開封第一講書人閱讀 31,993評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留捞蛋,地道東北人孝冒。 一個月前我還...
    沈念sama閱讀 46,382評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像襟交,于是被迫代替她去往敵國和親迈倍。 傳聞我的和親對象是個殘疾皇子伤靠,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,543評論 2 349

推薦閱讀更多精彩內(nèi)容