图论（四）：图的中心性——度中心性介数中心性紧密中心性

图的中心性：描述节点在图中有多“中心”

度中心性

以节点的度数度量中心性
用nx.degree_centrality(G)计算

介数中心性

量化节点在图中承担“桥梁”程度。
计算节点v 出现在其他任意两个节点对 (s,t) 之间的最短路径的次数（下式V 是无向图节点集合。(s,t) 是无向图中任意一对节点）

用 nx.betweenness_centrality(G , normalized = False) 计算。参数 normalized = False 表示不归一化。默认是 True ，计算归一化介数中心性

紧密中心性：

紧密中心性具体定义如下，其中，d(a, v) 是节点 a 和 v 最短距离，k – 1 代表节点 a 可达节点的数量；也就是说 k 为包含节点自身可达节点数量。

上式取倒数是节点 a 和可达节点之间平均最短距离，说明平均最短距离越大，中心性越小（倒数），即越远离中心。

用nx.closeness_centrality(G)计算。对于有向图，可以分别计算入度紧密中心性、出度紧密中心性。

特征向量中心性：

基于邻接矩阵、特征值分解等线性代数工具（下节）
用nx.eigenvector_centrality(G)计算

邻接矩阵：用于表示图的矩阵

无向图的邻接矩阵对称，行和列的数量等于图中的节点数量
矩阵的元素表示节点之间是否存在边——对于无权无向图，两节点之间存在边，元素值为1；反之为0
提供了一种紧凑的方式来表示图中的连接关系，某些算法易于处理这种格式
利用 NetworkX 的工具to_numpy_matrix()或 adjacency_matrix()方法将无向图转化为邻接矩阵

undirected_G = nx.Graph() # 创建无向图的实例
undirected_G.add_nodes_from(['a', 'b', 'c', 'd']) # 添加多个顶点
undirected_G.add_edges_from([('a','b'),('b','c'),('b','d'), ('c','d'),('c','a')]) # 增加一组边# adjacency_matrix = nx.to_numpy_matrix(undirected_G)
adjacency_matrix = nx.adjacency_matrix(undirected_G).todense() #2种方法。将图转化为邻接矩阵

#用热图可视化矩阵
plt.figure(figsize = (14,9))
sns.heatmap(adjacency_matrix,cmap = 'RdYlBu_r',square = True, xticklabels = [], yticklabels = [])
plt.savefig('A邻接矩阵.svg')

也可利用nx.Graph(adjacency_matrix, nodetype=int)的方法将邻接矩阵转化为图。
对于有权无向图，其邻接矩阵的每个元素直接换成边的权重值
有向图的邻接矩阵 A 一般不是对称矩阵，这种不对称也显示了其方向性
成对（欧式）距离矩阵、亲近度矩阵、协方差矩阵、相关性系数矩阵等等都可以看做是 邻接矩阵
成对欧式距离矩阵、亲近度矩阵、相关系数矩阵都可叫 成对度量矩阵！（后续博客....）
邻接矩阵算是与图直接相关的矩阵，其他与图也相关的矩阵有： 关联矩阵、度矩阵、拉普拉斯矩阵、转移矩阵等。

分割社群：紧密连接的节点集合

Girvan-Newman用于社区检测的算法实现，它基于边介数中心性的概念。是一种分裂算法，它通过逐步移除图中边介数最高的边来揭示网络中的社区结构。

NetworkX还提供了其他社区检测算法：

Louvain方法（通过community.greedy_modularity_communities）
标签传播算法（通过community.label_propagation_communities）等

Girvan-Newman算法

特点：

基于边的移除：算法通过移除网络中起“桥接”作用的关键边来逐渐揭露社区结构。
模块度优化：和Louvain方法一样，Girvan-Newman算法也关注于优化模块度指标，但它通过不同的策略来达到这一目标。
计算复杂度高：算法的时间复杂度较高，尤其是在大规模网络中，这限制了它的实用性。
层次结构：算法产生一个社区的层次结构，从整体网络到最精细的单节点社区。

实现过程：

初始化：开始时，整个网络被视为一个单一的大社区。
计算边介数：对于网络中的每一条边，计算其介数（即网络中所有最短路径经过该边的比例）。介数高的边通常连接不同的社区。
移除最高介数的边：找到介数最高的边并移除，这通常会分离出一些子社区。
重新计算介数：在更新后的网络中重新计算所有边的介数。
重复过程：重复步骤3和4，直到不再有边可以移除或满足停止条件（如模块度不再显著增加）。
分析层次结构：算法结束时，可以得到一个层次结构的社区划分，从顶层的整个网络到底层的单个节点社区

标签传播算法 (LPA)————随机性、动态变化图、快速检测

特点：

简单快速：LPA是一种基于局部邻域信息的迭代算法，不需要任何参数设置，因此非常容易实现和快速执行。
非确定性：每次运行可能会得到不同的结果，因为它依赖于初始化标签的随机性。
动态适应性：适用于动态网络，能够快速适应网络结构的变化。

实现过程：

初始化：为网络中的每个节点随机分配一个唯一的标签。
迭代传播：在每个迭代步骤中，每个节点更新自己的标签为邻居节点中出现次数最多的标签。
收敛检查：当没有节点改变标签时，算法收敛，输出社区划分结果。

Louvain方法——较高的模块度优化

特点：

优化目标明确：通过最大化模块度（Modularity）来优化社区结构。
层次结构：采用两阶段策略，首先在局部层面优化社区，然后在全局层面重组社区。
高效性：通过多层次的优化策略，能够在大规模网络上高效运行。

实现过程：

初始化：每个节点视为独立的社区。
局部优化：在每一层中，遍历网络中的每个节点，尝试将其移动到相邻的社区中，计算模块度的改变，选择模块度增加最大的移动。
重构网络：将上一步中形成的社区视为超节点，重新构建网络。
重复步骤2和3，直到模块度不再提高。

Infomap算法——适合网络规模非常大，且需要考虑信息流的角度

特点：

信息理论基础：基于最小化社区内和社区间的信息流编码长度。
适合检测重叠社区：虽然原始算法不直接支持重叠社区，但有改进版本可以处理这种情况。
可扩展性：适用于大规模网络，通过层次聚类减少计算复杂度。

实现过程：

构建概率转移矩阵：基于网络中的边权重，计算节点之间的转移概率。
层次聚类：使用树状图（Dendrogram）表示节点之间的关系，通过信息理论原则分割树状图，形成社区。
最小化码率：寻找最优的社区划分，使得信息流编码的总长度最短。

若需要快速得到结果且网络是动态变化的，LPA可能是首选；如果追求较高的模块度优化，Louvain方法更为合适；而如果网络规模非常大，且需要考虑信息流的角度，Infomap算法则可能更为适用。Girvan-Newman高计算成本，通常不适用于非常大的网络。

communities = girvan_newman(G)
#用于社区检测的算法，它基于边的“边介数”来迭代地移除图中的边，直到将图分割成多个社区。
#这个过程通常通过计算图中所有边的边介数开始，然后移除边介数最高的边，
#并重复这个过程，直到满足某个停止条件（比如达到预定的社区数量，或者边的边介数低于某个阈值）。node_groups = []
for com in next(communities):node_groups.append(list(com))# 根据社区划分设置节点颜色
color_map = []
for node in G:if node in node_groups[0]:color_map.append('green')else: color_map.append('red') plt.figure(figsize = (14,9))
nx.draw_networkx(G, pos = nx.circular_layout(G),node_color=color_map, node_size = 400,with_labels=True)
plt.savefig('社区划分，circular_layout.svg')