Python NetworkX within_inter_cluster用法及代码示例

计算 ebunch 中所有节点对的内和 inter-cluster 公共邻居的比率。

对于两个节点 u 和 v ，如果公共邻居 w 与它们属于同一社区，则 w 被视为 u 和 v 的簇内公共邻居。否则，它被视为 u 和 v 的 inter-cluster 共同邻居。内部和 inter-cluster 公共邻居集合的大小之间的比率定义为 WIC 度量。 [1]

参数：

G：图形

NetworkX 无向图。

ebunch：节点对的可迭代，可选(默认 = 无)

将为迭代中给定的每对节点计算 WIC 度量。这些对必须以 2 元组 (u, v) 的形式给出，其中 u 和 v 是图中的节点。如果 ebunch 为 None 则将使用图中所有不存在的边。默认值：无。

delta：浮点数，可选(默认 = 0.001)

在两个节点之间没有 inter-cluster 公共邻居的情况下防止被零除的值。详细信息请参见[1]。默认值：0.001。

community：字符串，可选(默认 = ‘community’)

包含社区信息的节点属性名称。 G[u][community] 标识 u 属于哪个社区。每个节点最多属于一个社区。默认值：‘community’。

返回：

piter：迭代器

(u, v, p) 形式的 3 元组迭代器，其中 (u, v) 是一对节点，p 是它们的 WIC 度量。

参考：

1(1,2)

Jorge Carlos Valverde-Rebaza and Alneu de Andrade Lopes. Link prediction in complex networks based on cluster information. In Proceedings of the 21st Brazilian conference on Advances in Artificial Intelligence (SBIA’12) https://doi.org/10.1007/978-3-642-34459-6_10

例子：

>>> G = nx.Graph()
>>> G.add_edges_from([(0, 1), (0, 2), (0, 3), (1, 4), (2, 4), (3, 4)])
>>> G.nodes[0]["community"] = 0
>>> G.nodes[1]["community"] = 1
>>> G.nodes[2]["community"] = 0
>>> G.nodes[3]["community"] = 0
>>> G.nodes[4]["community"] = 0
>>> preds = nx.within_inter_cluster(G, [(0, 4)])
>>> for u, v, p in preds:
...     print(f"({u}, {v}) -> {p:.8f}")
(0, 4) -> 1.99800200
>>> preds = nx.within_inter_cluster(G, [(0, 4)], delta=0.5)
>>> for u, v, p in preds:
...     print(f"({u}, {v}) -> {p:.8f}")
(0, 4) -> 1.33333333