Centrality#

Degree#

`eigenvector_centrality`(G[, max_iter, tol, ...])	计算图 G 的特征向量中心性。
`eigenvector_centrality_numpy`(G[, weight, ...])	计算图 G 的特征向量中心性。
`katz_centrality`(G[, alpha, beta, max_iter, ...])	计算图 G 中节点的 Katz 中心性。
`katz_centrality_numpy`(G[, alpha, beta, ...])	计算图 G 的 Katz 中心性。

`closeness_centrality`(G[, u, distance, ...])	计算节点的接近中心性。
`incremental_closeness_centrality`(G, edge[, ...])	节点增量的紧密中心性。

`current_flow_closeness_centrality`(G[, ...])	计算节点的电流流接近中心性。
`information_centrality`(G[, weight, dtype, ...])	计算节点的电流流接近中心性。

`betweenness_centrality`(G[, k, normalized, ...])	计算节点之间的最短路径介数中心性。
`betweenness_centrality_subset`(G, sources, ...)	计算节点子集的介数中心性。
`edge_betweenness_centrality`(G[, k, ...])	计算边的中介中心性。
`edge_betweenness_centrality_subset`(G, ...[, ...])	计算子集中节点的边介数中心性。

`current_flow_betweenness_centrality`(G[, ...])	计算节点的电流介数中心性。
`edge_current_flow_betweenness_centrality`(G)	计算边的电流介数中心性。
`approximate_current_flow_betweenness_centrality`(G)	计算节点的近似电流介数中心性。
`current_flow_betweenness_centrality_subset`(G, ...)	计算节点子集之间的电流介数中心性。
`edge_current_flow_betweenness_centrality_subset`(G, ...)	计算使用节点子集的边介数中心性。

返回图 G 中所有节点对的子图通信能力。

`group_betweenness_centrality`(G, C[, ...])	计算一组节点的组间中心性。
`group_closeness_centrality`(G, S[, weight])	计算一组节点的组接近中心性。
`group_degree_centrality`(G, S)	计算一组节点的组度中心性。
`group_in_degree_centrality`(G, S)	计算一组节点的组入度中心性。
`group_out_degree_centrality`(G, S)	计算一组节点的组出度中心性。
`prominent_group`(G, k[, weight, C, ...])	找到图 \(G\) 中大小为 \(k\) 的显著组。组的显著性通过组间中心性来评估。

`load_centrality`(G[, v, cutoff, normalized, ...])	计算节点的负载中心性。
`edge_load_centrality`(G[, cutoff])	计算边负载。

harmonic_centrality(G[, nbunch, distance, ...])

计算节点的调和中心性。

dispersion(G[, u, v, normalized, alpha, b, c])

计算图 G 中节点 u 和 v 之间的分散度。

`local_reaching_centrality`(G, v[, paths, ...])	返回有向图中节点的局部可达中心性。
`global_reaching_centrality`(G[, weight, ...])	返回有向图的全局到达中心性。

计算节点的渗透中心性。

计算图 G 中节点的二阶中心性。

`trophic_levels`(G[, weight])	计算节点的营养级。
`trophic_differences`(G[, weight])	计算有向图边的营养级差异。
`trophic_incoherence_parameter`(G[, weight, ...])	计算图的摄食不连贯参数。

voterank(G[, number_of_nodes])

使用VoteRank算法选择图中的重要节点列表

计算图 G 中节点的拉普拉斯中心性。