图的基本知识

一.图的基本知识

1.图的表示

由点与边构成的数据结构，顶点表示研究对象，边表示两个研究对象之间特定的关系

图的分类：

• 无向图与有向图
  • 有向图：图中的边存在方向性
  • 无向图：边无方向性
• 非加权图与加权图
  • 加权图：图中的每一条边都一个实数预置对应，即每条边都对应于一个权重
  • 非加权图：默认为每条边的权重都是一致的
• 连通图与非连通图
  • 连通图：图中每个顶点都可达
  • 非连通图：图中存在孤立的点，即没有任何边与之连接
• 二部图
  • 将图中的顶点分为两类（A,B），对于每一条边，它一端的顶点属于A，一端的顶点属于B；它描述了两类对象之间的关系。

图的数据结构：

邻接矩阵可以来描述图中顶点之间的关系

• 用一个一维数组表示顶点的集合
• 用一个二维数组表示邻接矩阵
  • 如果节点$$i$$与节点$$j$$之间相连接，则矩阵中的元素$$A_{ij}=1$$,否则$$A_{ij}=0$$

2.图的特性

1.邻居与度

• 邻居：一条边连接的两个顶点互为邻居
• 度：一个顶点的邻居数目称之为度
  • 对于有向图，有入度与出度之分
    • 入度：顶点作为终点的边的数目
    • 出度：顶点作为起点的边的数目

2.子图与路径：

• 子图
  • 图$$G^{\prime }$$的顶点和变的集合都是另一个图$$G$$的顶点和边的集合的子集，则图$$G^{\prime }$$为图$$G$$的子图
• 路径
  • 从一个顶点$$V_i$$出发，沿着一些边和顶点到达另一个顶点$$V_j$$,沿途边的的序列称之为从顶点$$V_i$$到顶点$$V_j$$的路径
• 路径长度
  • 路径中所经过边的数目称之为路径的长度
• 顶点的距离
  • 两个顶点之间距离最短路径的长度为此两个顶点的距离

3.图的遍历

图的遍历是指从图中某一个顶点出发，按照某种算法，沿着图中的边，对图中所有顶点访问且仅访问一次。

常见图的遍历算法

• 深度优先算法（DFS）
• 广度优先算法（WFS）

3.图中心性

为什么引入中心性？

中心性是衡量某个节点在图中重要性或地位的重要指标。

如在社交网络分析某个用户的社会影响力，在商品用户中分析商品在用户中的重要性

度中心性：

$$度中心性=\frac{N_{degree}}{n-1}$$ ,$$N_{degree}$$代表节点的度，N为图中节点总数量

背景：度是与节点相连边的数目，度越大，与节点相连的边就越多，节点在图中的重要性也就越高；除以$$n-1$$的原因是每个节点最多与剩余$$n-1$$个节点相连。

特征向量中心性

图的邻接矩阵为$$A$$,有$$AX=\lambda X$$算出图的邻接矩阵的特征值与特征向量，找出最大那个特征值对应的特征向量，特征向量本质代表矩阵运动的方向性，特征值代表矩阵在对应方向上运动的距离，最大特征值对应的特征向量最能体现邻接矩阵的趋势。

特征向量对应位置值与相应的节点对应

观察各个顶点对应的值，顶点1与顶点5值最大，应为两者在图中度最大；$$V_2,V_3,V_4$$的度虽然都为2，但$$V_4$$所对应的值比另外两者都大，那是应为$$V_4$$的两个邻居都为度最大的顶点。

背景：这一定程度上体现了你的朋友在社会的地位高，一定程度上也会提升你的社会地位；即使你有很多社会地位低的朋友，你的社会地位也不一定会很高。

中介中心性

$$中介中心性=\frac{图中经过该节点最短路径的数目}{图中最短路径的总数}$$

背景:图中非邻居的两个节点之间必须依靠中心节点才会建立练习，一个节点如果在其他任意两个节点的最短路径中频繁出现，那么该节点的重要性也会非常高。

连接中心性

$$连接中心性=\frac{n-1}{节点到其他节点最短路径之和}，其中n为图中节点数目$$

背景：连接中心性也是从整个网络的布局来考虑的，可能存在这种情况，一个节点与其他节点之间都可达，但其到达其他节点的距离都非常远，那么这类节点他的重要性也不会很高；所以引入连接中心性，其到其他节点距离之和越短，其在整个图中处于越核心的位置。

PageRank

4.编程实现图的创建及其特性的计算

#关于图的操作，Python中含有库  networkx
import networkx as nx
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

#创建图
edges=pd.DataFrame()
edges["sources"]=[1,1,1,2,2,3,3,4,4,5,5,5] #源节点
edges["targets"]=[2,4,5,3,1,2,5,1,5,1,3,4] #目的节点
edges["weights"]=[1,1,1,1,1,1,1,1,1,1,1,1] #边的权值
#创建
G=nx.from_pandas_edgelist(edges,source="sources",target="targets",edge_attr="weights")

#将图表示出来
nx.draw_networkx(G)

图的特性的计算：