泊松分布:以ER随机网络为例
# 导入库
import networkx as nx
import matplotlib.pyplot as plt
# 创建一个ER随机网络
n = 10000
p = 0.001
ER = nx.erdos_renyi_graph(n, p)
# 获取平均度
d = dict(nx.degree(ER))
print("平均度为:", sum(d.values())/len(ER.nodes))
# 获取所有可能的度值对应的概率
x = list(range(max(d.values())+1))
y = [i/n for i in nx.degree_histogram(ER)]
# 绘制度分布
plt.plot(x, y, 'ro-')
plt.xlabel("$k$")
plt.ylabel("$p_k$")
幂律分布:以BA无标度网络为例
m = 3
BA = nx.barabasi_albert_graph(n, m)
# 获取平均度
d = dict(nx.degree(BA))
print("平均度为:", sum(d.values())/len(BA.nodes))
# 获取所有可能的度值对应的概率
x = list(range(max(d.values())+1))
y = [i/n for i in nx.degree_histogram(BA)]
# 绘制度分布
plt.plot(x, y, 'ro-')
plt.xlabel("$k$")
plt.ylabel("$p_k$")
# 在双对数坐标轴下显示
plt.plot(x, y, 'ro-')
plt.xscale("log")
plt.yscale("log")
plt.xlabel("$k$")
plt.ylabel("$p_k$")
# 在双对数坐标轴下要把横坐标和纵坐标的0值排除掉
new_x = []
new_y = []
for i in range(len(x)):
if y[i] != 0:
new_x.append(x[i])
new_y.append(y[i])
plt.plot(new_x, new_y, 'ro-')
plt.xscale("log")
plt.yscale("log")
plt.xlabel("$k$")
plt.ylabel("$p_k$")
💗💗💗
print("如果文章对你有用,请点个赞呗O(∩_∩)O~")
System.out.println("如果文章对你有用,请点个赞呗O(∩_∩)O~");
cout<<"如果文章对你有用,请点个赞呗O(∩_∩)O~"<<endl;
💗💗💗