Weiner Index，维纳指数

维纳指数起初用在化学领域，是一种用来描述分子结构的指数 [1]，由 Harry Wiener 于1947年提出 [2]。除了化学领域，维纳指数也广泛应用于社会关系计量学和社交网络等领域 [1]。

定义

维纳指数原始的定义 [3] 为 图中所有的可到达的两个点之间的最短距离之和，在本文中，我们使用所有点对之间的 平均 最短距离 [4]：
$$\text{WI}=\frac{1}{n(n-1)}\sum _{i=1}^n\sum _{j=1}^n{d}_{ij}$$
其中 $d_{ij}$ 代表两个点 $i$ 和 $j$ 之间的最短距离。

传统衡量方法的局限

在定义图的结构的扩散性时，传统方法各有其局限性 [4]。

图之大小（Size）

大图不一定扩散程度高，小图扩散程度亦不一定低，图之大小难以衡量图的结构的扩散性。

图之深度（Depth）

深度看起来是个很好的衡量方法，但是在某些特定情况下会表现的很差。
假如图是由一个很长的，每一层只有单个节点的链组成的，就像这样：
$$\circ \to \circ \to \circ \to \cdots \to \circ \to \circ \to \circ$$
虽然其深度很大，但我们并不会认为它的扩散程度很高。

点之平均深度（Average Depth）

如果用点的平均深度（点到根节点的平均距离），不就解决了上面这个问题的吗？但是点的平均深度也有表现很差的时候。
例如，从根节点出发，经过一条很长的单链，然后开始扩散，如下图所示：

在这种情况下，尽管图的扩散程度并不高，但其点的平均深度很大。

示例

以 APS 论文引文数据集为例，下图拥有211个节点，维纳指数为2.87：

大部分的节点都直接相连于根节点，扩散程度并不高。而下图拥有277个节点，维纳指数为18.51：

与维纳指数为2.87的图相比，该图的扩散程度就非常高了。

代码

import matplotlib.pyplot as plt
import networkx as nx
import pygraphviz
from networkx.drawing.nx_agraph import graphviz_layout

# create graph
g = nx.Graph()

"""
Add edges to this graph.
# g.add_edges_from(...)
"""

# calculate wiener index
wi = nx.wiener_index(g) / (g.size()+1) / g.size() * 2

# plot
pos = graphviz_layout(min_g, prog='dot')
nx.draw(min_g, pos, with_labels=False, arrows=False)
plt.show()

Reference

1. Wiener Index. (November 15, 2018). Retrieved from https://en.wikipedia.org/wiki/Wiener_index
2. H. Wiener. (1947). Structural determination of paraffin boiling points. Journal of the American Chemical Society, 69(1), 17-20.
3. networkx.algorithms.wiener.wiener_index. (September 19, 2018). Retrieved from https://networkx.github.io/documentation/stable/reference/algorithms/generated/networkx.algorithms.wiener.wiener_index.html#networkx.algorithms.wiener.wiener_index
4. S. Goel, A. Anderson, J. Hofman, D. J. Watts. (2015). The Structural Virality of Online Diffusion. Management Science, 62(1), 180-196.