图的基本知识

最新推荐文章于 2022-05-14 00:07:39 发布

带问号的小朋友

最新推荐文章于 2022-05-14 00:07:39 发布

阅读量820

点赞数 1

分类专栏：算法图文章标签：图论算法

本文链接：https://blog.csdn.net/pioo_/article/details/122157130

版权

算法同时被 2 个专栏收录

6 篇文章 0 订阅

订阅专栏

图

5 篇文章 0 订阅

订阅专栏

1、什么是图

图是用来对对象之间的成对关系建模的数学结构，由"节点"或"顶点"(Vertex）以及连接这些顶点的"边"（Edge）组成。
在这里插入图片描述
如上图所示：杰斯、维克托、凯特琳等任务是一个节点、人物之间有朋友、敌对等等关系，这种的点边关系就构成了图。

2、图的表示

值得注意的是，图的顶点集合不能为空，但边的集合可以为空。图可能是无向的，这意味着图中的边在连接顶点时无需区分方向。否则，称图是有向的。
在这里插入图片描述

如何去表示一张图？

我们截取上面双城之战任务关系图中的一部分：
在这里插入图片描述
如上图总共有5个人物，人物之间如果有关系，我们在表格中对应填1
对应邻接表跟邻接矩阵如下：

3、图的性质：度

在这里插入图片描述

对于无向图来说，无向图的度：
A ：3
B： 2
C：2
D：1

对于有向图来说，有向图的度分为出度和入度：
A：出度 2，入度 1
B：出度 1，入度 1
C：出度 1，入度 1
D：出度 0，入度 1

4、连通图、连通分量

在这里插入图片描述
很直观的看出，右图中有一个节点E是一个孤立节点，因此右图是一个非连通图。

无向图G的极大连通子图称为G的连通分量( Connected Component)。任何连通图的连通分量只有一个，即是其自身，非连通的无向图有多个连通分量。

有向图连通性

强连通图：是指在有向图G中，如果对于每一对vi、vj，vi≠vj，从vi到vj和从vj到vi都存在路径，则称G是强连通图。有向图中的极大强连通子图称做有向图的强连通分量。

弱连通图：将有向图的所有的有向边替换为无向边，所得到的图称为原图的基图。如果一个有向图的基图是连通图，则有向图是弱连通图。
在这里插入图片描述

5、度中心性

度中心性（Degree Centrality）是在网络分析中刻画节点中心性（Centrality）的最直接度量指标。一个节点的节点度越大就意味着这个节点的度中心性越高，该节点在网络中就越重要。
在这里插入图片描述

范德尔 = 3/(5-1) = 0.75
小不点 = 2/(5-1) = 0.5
希尔科 = 1/(5-1) = 0.25

特征向量中心性

在这里插入图片描述

中介中心性

计算公式：
在这里插入图片描述

其中dst表示s到t的最短路径数量，dst()表示从s到t的最短路径中经过节点的数量。
若需要进行标准化，在如上公式基础上，除以（n-1)(n-2)，n为节点数量。

举例说明：
在这里插入图片描述
A的中介中心性值为0
因为所有顶点之间的最短路径都不经过A。

B的中介中心性值为8，标准化后为：8/(6*7)

因为有以下路径经过B。
从A出发的最短路径和从A出发的经过B的最短路径条数一致，都是是5，路径如下：

ABD
ABC
ABDE
ABDF
ABCE
则从A出发的顶点的对B的贡献为1/1 + 1/1 + 1/1 + 2/2 = 4（因为ABDE和ABCE起始点和终点相同）

没有从B出发的经过B最短路径。

从C出发的经过B的最短路径条数是1，路径为CBA，CA之间的最短路径为CBA
则从C出发的顶点的对B的贡献为1/1 = 1

从D出发的经过B的最短路径条数是1，路径DBA，DA之间的最短路径为DBA
则从D出发的顶点的对B的贡献为1/1 = 1

从E出发的经过B的最短路径条数是2，路径如下：

ECBA
EDBA

EA之间的最短路径为：

ECBA
EDBA

则从E出发的顶点的对B的贡献为2/2=1

从F出发的经过B的最短路径条数是1，路径为：FDBA，FA之间的最短路径为FDBA
则从F出发的顶点的对B的贡献为1/1=1

所以B的中介中心性值是8，标准化后为：8/(6*7)

连接中心性

Closeness = (n-1)/节点到其他节点最短路径之和

在这里插入图片描述
A的Closeness = (6-1)/1+2+2+3+3 = 5/11
B的Closeness = (6-1)/1+1+1+2+2 = 5/7
C的Closeness = (6-1)/2+1+1+1+2 = 5/7
…

代码实现

import numpy as np
import pandas as pd
import networkx as nx

# 初始化图
edges = pd.DataFrame()
edges['sources'] = [1, 1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 5]
edges['targets'] = [2, 4, 5, 3, 1, 2, 5, 1, 5, 1, 3, 4]
edges['weights'] = [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]

G = nx.from_pandas_edgelist(edges, source='sources', target='targets', edge_attr='weights')
# degree
print('每个节点的度：', nx.degree(G))
# 每个节点的度：[(1, 3), (2, 2), (4, 2), (5, 3), (3, 2)]

# 连通分量
print('连通分量：', list(nx.connected_components(G)))
# 连通分量： [{1, 2, 3, 4, 5}]

# 图直径
print('图直径：', nx.diameter(G))
# 图直径： 2

# 度中心性
print('度中心性：', nx.degree_centrality(G))
# 度中心性： {1: 0.75, 2: 0.5, 4: 0.5, 5: 0.75, 3: 0.5}

# 特征向量中心性
print('特征向量中心性：', nx.eigenvector_centrality(G))
# 特征向量中心性： {1: 0.5298988890761731, 2: 0.35775191431708964, 4: 0.4271316779596084, 5: 0.5298988890761731, 3: 0.35775191431708964}

# betweenness
print('betweenness：', nx.betweenness_centrality(G))
# betweenness： {1: 0.25, 2: 0.08333333333333333, 4: 0.0, 5: 0.25, 3: 0.08333333333333333}

# closeness
print('closeness：', nx.closeness_centrality(G))
# closeness： {1: 0.8, 2: 0.6666666666666666, 4: 0.6666666666666666, 5: 0.8, 3: 0.6666666666666666}

# pagerank
print('pagerank：', nx.pagerank(G))
# pagerank： {1: 0.24369622576677993, 2: 0.1722562971205864, 4: 0.16809495422526696, 5: 0.24369622576677993, 3: 0.1722562971205864}

# HITS
print('HITS：', nx.hits(G))
# HITS： (hubs:{1: 0.24059715204600776, 2: 0.162434564716677, 4: 0.19393656647463042, 5: 0.24059715204600784, 3: 0.16243456471667692}, 
# authorities:{1: 0.24059715204600784, 2: 0.16243456471667692, 4: 0.1939365664746304, 5: 0.24059715204600768, 3: 0.16243456471667697})