louvain_partitions#

louvain_partitions(G, weight='weight', resolution=1, threshold=1e-07, seed=None)[source]#

生成Louvain社区检测算法每一层的分区

Louvain社区检测算法是一种简单的方法，用于提取网络的社区结构。这是一种基于模块度优化的启发式方法。[1]

在每一层（算法的每一步）的分区形成一个社区的树状图。树状图是一个表示树的图，每一层代表图G的一个分区。顶层包含最小的社区，随着向树的底部遍历，社区变得更大，整体模块度增加，使得分区更好。

每一层是通过执行Louvain社区检测算法的两个阶段生成的。

在输入图中要注意自环。这些被视为先前缩减的社区——就好像算法已经从中途开始。因此，大的自环边权重代表强社区，在实践中可能难以添加其他节点。如果你的输入图的自环边权重不代表已经缩减的社区，你可能希望在输入该图之前移除自环。

Parameters:

GNetworkX图
weight字符串或None, 可选 (默认=”weight”): 边属性的名称，该属性持有作为权重的数值。如果为None，则每条边的权重为1。
resolution浮点数, 可选 (默认=1): 如果分辨率小于1，算法倾向于较大的社区。大于1则倾向于较小的社区。
threshold浮点数, 可选 (默认=0.0000001): 每一层的模块度增益阈值。如果在算法的两个层之间的模块度增益小于给定的阈值，则算法停止并返回结果社区。
seed整数, random_state, 或 None (默认): 随机数生成状态的指示器。参见 Randomness 。

Yields: