Linear algebra#

Graph Matrix#

图的邻接矩阵和关联矩阵。

`adjacency_matrix`(G[, nodelist, dtype, weight])	返回图 G 的邻接矩阵。
`incidence_matrix`(G[, nodelist, edgelist, ...])	返回图 G 的关联矩阵。

图的拉普拉斯矩阵。

此处所有计算均使用出度进行。若使用入度计算拉普拉斯矩阵，请使用 G.reverse(copy=False) 代替 G 并取其转置。

laplacian_matrix 函数提供了一个未归一化的矩阵，而 normalized_laplacian_matrix 、 directed_laplacian_matrix 和 directed_combinatorial_laplacian_matrix 均为归一化矩阵。

`laplacian_matrix`(G[, nodelist, weight])	返回图 G 的拉普拉斯矩阵。
`normalized_laplacian_matrix`(G[, nodelist, ...])	返回图 G 的归一化拉普拉斯矩阵。
`directed_laplacian_matrix`(G[, nodelist, ...])	返回图 G 的有向拉普拉斯矩阵。
`directed_combinatorial_laplacian_matrix`(G[, ...])	返回图 G 的有向组合拉普拉斯矩阵。
`total_spanning_tree_weight`(G[, weight, root])	返回图 `G` 中所有生成树的总权重。

图的Bethe Hessian或变形拉普拉斯矩阵。

返回图 G 的 Bethe Hessian 矩阵。

无向图的代数连通性和Fiedler向量。

`algebraic_connectivity`(G[, weight, ...])	返回无向图的代数连通性。
`fiedler_vector`(G[, weight, normalized, tol, ...])	返回连通无向图的Fiedler向量。
`spectral_ordering`(G[, weight, normalized, ...])	计算图的谱序。
`spectral_bisection`(G[, weight, normalized, ...])	使用Fiedler向量对图进行二分。

用于从图属性构建类似矩阵对象的函数。

`attr_matrix`(G[, edge_attr, node_attr, ...])	返回使用图 `G` 中的属性作为 numpy 数组构建的属性矩阵。
`attr_sparse_matrix`(G[, edge_attr, ...])	返回一个使用G的属性构建的SciPy稀疏数组。

图的模块化矩阵。

`modularity_matrix`(G[, nodelist, weight])	返回图 G 的模块度矩阵。
`directed_modularity_matrix`(G[, nodelist, weight])	返回 G 的有向模块度矩阵。

图的特征值谱。

`adjacency_spectrum`(G[, weight])	返回图 G 的邻接矩阵的特征值。
`laplacian_spectrum`(G[, weight])	返回图 G 的拉普拉斯矩阵的特征值
`bethe_hessian_spectrum`(G[, r])	返回图 G 的 Bethe Hessian 矩阵的特征值。
`normalized_laplacian_spectrum`(G[, weight])	返回图G的归一化拉普拉斯矩阵的特征值
`modularity_spectrum`(G)	返回图 G 的模块度矩阵的特征值。