图基本介绍

图基本介绍

参考：
https://www.bilibili.com/video/BV1HZ4y1B7hj?p=2&spm_id_from=pageDriver&vd_source=d64db78c8c1f9c3401720510fccc42a8

1、什么是图？

2、图的表示？

邻接矩阵以及特征矩阵

3、图的性质

• 度 degree

  节点连接的边

• 子图 subgraph

• 连通图，连通分量

  对于一个无向图，如果任意的节点i能够通过一些边到达节点j ，则称之为连通图

• 有向图连通性

• 最短路径，图直径

• 度中心性
  $$度中心性=\frac{1}{n-1}(n为节点个数)$$

• 特征向量中心性 Eigenvector Centrality
  $$A\ast x=\lambda \ast x$$

• 中介中心性 Betweenness Centrality
  $$Betweenness=\frac{经过该节点的最短路径}{其余两两节点的最短路径}$$

• 连接中心性 Closeness
  $$Closeness=\frac{n-1}{节点到其他节点最短路径之和}$$

• PageRank（节点排序，一种网页排序算法）

• HITS（节点排序，一种网页排序算法）

4、代码实现

pip install networkx

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

edges = pd.DataFrame()  # 边
edges['sources'] = [1, 1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 5] # 起始点
edges['target'] = [2, 4, 5, 3, 1, 2, 5, 1, 5, 1, 3, 4] # 目标点
edges['weights'] = [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1] # 边的权重

# 构建图
G = nx.from_pandas_edgelist(edges, source='sources', target='target', edge_attr='weights')
# degree
print(nx.degree(G))
# 连通分量 边
print(list(nx.connected_components(G)))
# 图直径
print(nx.diameter(G))
# 中心行
print(nx.degree_centrality(G))
# 特征向量中心性
print(nx.eigenvector_centrality(G))
# betweenness
print(nx.betweenness_centrality(G))
#cLoseness
print(nx.closeness_centrality(G))