assortativity of networks 简介

投一篇文章，审稿人提意见“No estimate of assortativity has been made. What about a k-core analysis?”。

下面对 assortativity作一番了解。

 

中文怎么称呼？

我也不知道中文怎么称呼更为恰当，所以就用 assortativity 来讨论

 

assortativity究竟是什么？

首先，按照我自己的理解，对assortativity做一个解释

① 有一堆被观测的对象，每1个都具备某种属性，比如 身高，体重，有多少钱等等 ~~ 这个属性必须被量化，同时，是可以比较“大小多少”的

② 然后，按照某种规则，从这群对象中选2个出来 ~~ 比如相互存在link的2个，这个是复杂网络领域的玩儿法；比如空间上靠近的一对儿，这个是空间自相关分析领域的玩儿法 ~~ 看看这种属性在数值上是否接近，差得多不多

③ 然后，就这么一对儿一对儿地看一遍，最后给出一个判断：

你们这帮（人，节点，XX），assortative（同类相聚）！  或者， disassortavie（异类相聚） !

---

论文上的解释如下

Assortativity is expressed as a scalar value, ρ, in the range −1 ≤ρ≤ 1. Degree assortativity is identified as ρD. 

用ρ来度量，取值在-1到1之间。网络的每一种属性（包含但不限于degree）都可以计算assortativity。

---

A network is said to be assortative when high-degree nodes are, on average, connected to other nodes with high-degree and low-degree nodes are, on average, connected to other nodes with low degree. 

如果一个网络在degree这一属性上assortative的话，意味着，网络中的高度值节点，倾向于与高度值节点相连；低度值节点，倾向于与低度值节点相连。

这也就是通常所说的“物以类聚”。成绩好的跟成绩好的一块儿玩，差的跟差的一块儿玩。

---

A network is said to be disassortative when, on average, high-degree nodes are connected to nodes with low(er) degree and, on average, low-degree nodes are connected to nodes with high(er) degree.

如果一个网络在degree这一属性上disassortative的话，意味着，网络中的高度值节点，倾向于与低度值节点相连；低度值节点，倾向于与高度值节点相连。

这就有点儿“竞争选择”的意思，类似于轻轨上占座，倾向于寻找人少的地方；产品布局，倾向于寻找对手占有率不太高的地方。

---

Assortativity measures the similarity of connections in the graph with respect to the node degree.

再附上一个networkx官方文档里面的解释：assortativity用于测量连接的相似性，考察度值这个方面（解释了跟解释一样，所以还是得看上面文献里面的解释，可谓是清楚明白）

 

计算方法

通用公式，对于任意2个随机变量，做assortativity
 

The original definition of assortativity (Newman [1]), for non-weighted, non-directed networks, is
based on the correlation between random variables. We define the linear correlation coefficient between two random variables X and Y as follows:

推导得到关于网络度值的the linear degree correlation coefficient:

 

assortativity的networkx计算

networkx是一个强大的复杂网络分析包，不出意外，assortativity的计算也被纳入。

https://networkx.github.io/documentation/stable/reference/algorithms/assortativity.html        #这个是官方文档

 

主要运用这个函数来计算

degree_assortativity_coefficient()

PS: nodes这个参数，需要是list或者可迭代对象，如果缺省，就是计算网络所有节点的assortativity；如果给1个list，就是计算这部分节点的assortativity

（审稿人提出“what about a k-core analysis？”）,即是可以把k-core的节点拧出来单独算一个assortativity

用的是这个公式，来自于文献③中的公式（21）

 

degree_assortativity_coefficient(G, x='out', y='in', weight=None, nodes=None)[source]

Compute degree assortativity of graph.

Assortativity measures the similarity of connections in the graph with respect to the node degree.

Parameters:	G (NetworkX graph) x (string (‘in’,’out’)) – The degree type for source node (directed graphs only). y (string (‘in’,’out’)) – The degree type for target node (directed graphs only). weight (string or None, optional (default=None)) – The edge attribute that holds the numerical value used as a weight. If None, then each edge has weight 1. The degree is the sum of the edge weights adjacent to the node. nodes (list or iterable (optional)) – Compute degree assortativity only for nodes in container. The default is all nodes.
Returns:	r – Assortativity of graph by degree.
Return type:	float

 

下面这个跟上面这个一样，但是运用了可能更快的算法（可以测试一下，是否）

degree_pearson_correlation_coefficient(G, x='out', y='in', weight=None, nodes=None)[source]

Compute degree assortativity of graph.

Assortativity measures the similarity of connections in the graph with respect to the node degree.

This is the same as degree_assortativity_coefficient but uses the potentially faster scipy.stats.pearsonr function.

Parameters:	G (NetworkX graph) x (string (‘in’,’out’)) – The degree type for source node (directed graphs only). y (string (‘in’,’out’)) – The degree type for target node (directed graphs only). weight (string or None, optional (default=None)) – The edge attribute that holds the numerical value used as a weight. If None, then each edge has weight 1. The degree is the sum of the edge weights adjacent to the node. nodes (list or iterable (optional)) – Compute pearson correlation of degrees only for specified nodes. The default is all nodes.
Returns:	r – Assortativity of graph by degree.
Return type:	float

 

 

至于 attribute_assortativity_coefficient() 和 numeric_assortativity_coefficient()

我的理解，是为了计算degree以外其他属性的assortativity，需要给1个attribute的参数，str或者num来

Node attribute key

 The corresponding attribute value must be an integer

 

assortativity的普适性

assortativity是一个具备“普适性”的指标测度，implying，任何attributes都可以用于计算assortativity。

在复杂网络这个领域里边，比如度值，比如中介中心度，比如接近中心度，比如xxx……任何测度都可以拿来算一算

 

assortativity与空间自相关

从网络的视角，来做assortativity分析这个事儿，就是把存在link（edge）的节点（选择来类比的那一对儿的方式），彼此是如何联系的（正负相关关系）来做一做

从空间的视角，来做assortativity分析这个事儿，就是把空间上隔得近的节点（选择来类比的那一对儿的方式），彼此是如何联系的（正负相关关系）来做一做

其差异，就是类比对象的选择方式不同而已 ~~ 网络视角是选取了本来就存在link的对象，空间自相关是选取了空间上接近的对象，然后分析其某种属性（高矮胖瘦，收入多寡，度值啥的），是否与刚才那种关系存在关联。

空间自相关用的因变量就是距离，看看距离近了，是不是你俩的某种属性就接近一些？或者说，你俩某种属性接近，是不是空间上距离得比较近呢？网络assortativity用的因变量就是存在link，看看你俩存在link，是不是某种属性就接近一些？或者说你俩某种属性相近，是不是倾向于存在link啊？是一个意思 ~~~ 两者在计量公式上，其实是非常之接近的

有一篇中文的文章，讲这个讲得还不错，可以看看

《两个空间变量空间相关性的分析》

https://baike.baidu.com/item/%E7%A9%BA%E9%97%B4%E8%87%AA%E7%9B%B8%E5%85%B3%E5%88%86%E6%9E%90/5579665   #百度这篇也不错

如果某一变量的值随着测定距离的缩小而变得更相似，这一变量呈空间正相关；若所测值随距离的缩小而更为不同，则称之为空间负相关；若所测值不表现出任何空间依赖关系，那么，这一变量表现出空间不相关性或空间随机性。

……判别斑块的大小以及某种格局出现的尺度……

空间自相关是跟栅格选择有关系的。极端情况下，栅格选择足够小，每个栅格里面，最多就只有1个被观测对象。那就不用是average值了，直接就是单个对象的值了。

---

以下4篇文章，讲得比较透彻（我的引用基本来自于下面）：

1. R. Noldus, and P. Van Mieghem, "Assortativity in complex networks," Journal of Complex Networks, vol. 3, no. 4, pp. 507-542, 2015.
2. G. Thedchanamoorthy, M. Piraveenan, D. Kasthuriratna, and U. Senanayake, "Node assortativity in complex networks: An alternative approach," 2014 International Conference on Computational Science, vol. 29, pp. 2449-2461, 2014.
3. M. E. J. Newman, "Mixing patterns in networks," Physical Review E, vol. 67, no. 2, 2003.
4. M. E. J. Newman, "Assortative mixing in networks," Physical Review Letters, vol. 89, no. 20, 2002.

PS:

①是综述类文献，梳理了assortativity的来龙去脉；

④是鼻主类的文章，“the original definition of assortativity……”