Python NetworkX configuration_model用法及代码示例

返回具有给定度数序列的随机图。

配置模型通过随机分配边以匹配给定的度数序列来生成随机伪图(具有平行边和自环的图)。

参数：

deg_sequence：非负整数列表

每个列表条目对应一个节点的度数。

create_using：NetworkX 图形构造函数，可选(默认 MultiGraph)

要创建的图表类型。如果是图形实例，则在填充之前清除。

seed：整数、random_state 或无(默认)

随机数生成状态的指示符。请参阅随机性。

返回：

G：MultiGraph

具有指定度数序列的图。节点从 0 开始标记，索引对应于 deg_sequence 中的位置。

抛出：

NetworkXError

如果度数序列没有偶数和。

注意：

正如纽曼[1]所说明的。

允许使用非图形度数序列(某些简单图无法实现)，因为此函数返回具有自环和平行边的图。如果度数序列没有偶数和，则会引发异常。

此配置模型构建过程可能导致重复的边和循环。您可以删除自环和平行边(见下文)，这可能会导致图形没有指定精确的度数序列。

随着节点数量的增加，自环和平行边的密度趋于降低。然而，通常自环的数量将接近具有非零均值的泊松分布，平行边的数量也是如此。考虑一个带有k 存根的节点。加入同一节点的另一个存根的概率本质上是 (k - 1 ) /N ，其中 k 是度数，N 是节点数。因此，对于某个常数 c ，自循环的概率会像 c /N 一样缩放。随着N 的增长，这意味着我们期望c 自循环。对于平行边也是如此。

参考：

1

M.E.J. Newman, “The structure and function of complex networks”, SIAM REVIEW 45-2, pp 167-256, 2003.

例子：

您可以使用 random_sequence 中的一个分布函数(或您自己的一个)来创建遵循特定分布的度数序列。例如，要在一百个节点上创建一个无向多重图，其度数序列选自幂律分布：

>>> sequence = nx.random_powerlaw_tree_sequence(100, tries=5000)
>>> G = nx.configuration_model(sequence)
>>> len(G)
100
>>> actual_degrees = [d for v, d in G.degree()]
>>> actual_degrees == sequence
True

返回的图是一个多重图，它可能有平行的边。要从返回的图中删除任何平行边：

>>> G = nx.Graph(G)

同样，要删除自循环：

>>> G.remove_edges_from(nx.selfloop_edges(G))