GNN从入门到精通--Graph基本介绍（1）

1 连通图，连通分量

• 对于一个无向图，如果任意节点i能通过一些边到达节点j，则称为连通图。
• 无向图G的一个极大连通子图称为G的一个连通分量。连通图只有一个连通分量；非连通的无向图有多个连通分量。

2 有向图的连通性

• 强连通图：有向图中任意一对节点可达
• 弱连通图：至少有一对节点不满足单向连通，但去掉边的方向后，节点之间可达

3 最短路径，图直径

• 最短路径：图中两节点之间路径中最短的
• 图直径：图中任意所有节点最短路径的最大值

4 度中心性

• （节点的度）/ (n-1) n为图中节点总数

5 特征向量中心性

• 特征向量中心性分数：对图的邻接矩阵求特征值和特征向量，最大特征值所对应的特征向量，即各个节点的特征向量中心性分数
• 节点的特征向量中心性：（Vi节点的邻居中心性分数累加）/（特征值）

6 中介中心性

• 分子表示通过此点的最短路径数目，分母表示点对st之间所有最短路径数目。再把所有点对累加求和，为了使结果具有可比性，对上述公式进行归一化，除以最大的中心性分数。
  

7 代码部分

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

edges = pd.DataFrame()
edges['sources'] = [1, 1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 5]  # 起始节点
edges['targets'] = [2, 4, 5, 3, 1, 2, 5, 1, 5, 1, 3, 4]  # 起始节点所指向的对应终止节点
edges['weights'] = [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]  # 边之间的权重

G = nx.from_pandas_edgelist(edges, source='sources', target='targets', edge_attr='weights') #定义一张图
# degree
print(nx.degree(G))
# 连通分量
print(list(nx.connected_components(G)))
# 图直径
print(nx.diameter(G))
# 度中心性
print(nx.degree_centrality(G))
# 特征向量中心性
print(nx.eigenvector_centrality(G))
# betweenness
print(nx.betweenness_centrality(G))