图的局部聚集系数计算

在图论中，集聚系数（也称群聚系数、集群系数）是用来描述一个图中的顶点之间结集成团的程度的系数。具体来说，是一个点的邻接点之间相互连接的程度。例如生活社交网络中，你的朋友之间相互认识的程度。有证据表明，在各类反映真实世界的网络结构，特别是社交网络结构中，各个结点之间倾向于形成密度相对较高的网群。也就是说，相对于在两个节点之间随机连接而得到的网络，真实世界网络的集聚系数更高。

集聚系数分为整体与局部两种。整体集聚系数可以给出一个图中整体的集聚程度的评估，而局部集聚系数则可以测量图中每一个结点附近的集聚程度。

局部聚集系数的计算

对于有向图而言，聚集系数的公式为：
$$C(v_i)=\frac{e_{jk}}{D(v_i)(D(v_i)-1)}$$
其中，$v_i$代表结点，$j,k$是属于结点$v_i$的邻接点集合的结点$v_j,v_k$，$D(v_i)$为结点$v_i$的邻接点个数。
对无向图而言，聚集系数的公式为：
$$C(v_i)=\frac{2e_{jk}}{D(v_i)(D(v_i)-1)}$$
注：对于$v_i$的邻接点个数，我认为是该点出度入度之和，不知道理解的是否有误，特此标明。

聚集系数
代码实现如下：

def getNeighbor(nodes,edges):
    nodeDict={}
    for node in nodes:
        neighbor=[[],[]]
        for edge in edges:
            if edge[0]==node:
                neighbor[0].append(edge[1])#neighbor[0]存放node指向的结点
            elif edge[1]==node:
                neighbor[1].append(edge[0])#neighbor[1]存放指向node的结点
        nodeDict[node]=neighbor
    return nodeDict
def getCount(nodes,edges):
	#获取结点node邻接点中，存在edge的个数count
    nodeDict=getNeighbor(nodes,edges)
    resultDict={}
    for k,v in nodeDict.items():
        nodeList=[]
        #将所有邻接点放到一个列表
        nodeList.extend(v[0])
        nodeList.extend(v[1])
        count=0
        for n1 in nodeList:
            for n2 in nodeList:
                if (n1,n2) in edges:
                    count+=1
        resultDict[k]=count
    return resultDict

#计算聚集系数
def getClusterCoffident(nodes,edges):
    countDict=getCount(nodes,edges)
    neighborDict=getNeighbor(nodes,edges)
    resultDict={}
    for k,v in countDict.items():
        total=len(neighborDict[k][0])+len(neighborDict[k][1])
        resultDict[k]=v/(total*(total-1))
    return resultDict

if __name__ == "__main__":
    vertices = []
    edges    = []
    nodeStr=open("./data/nodes.txt").read()
    f=open("clusterResult.txt","w+")
    for l in nodeStr.splitlines():
        vertices.append(int(l))
    edgeStr=open("./data/edges.txt").read()
    for l in edgeStr.splitlines():
        edges.append((int(l.split(",")[0]),int(l.split(",")[1])))
    result=getClusterCoffident(vertices,edges)
    for k,v in result.items():
        f.write(str(k)+"\t"+str(v)+"\n")
    f.close()

计算结果见示图：

node数据形式为：

edges数据形式为：