Python NetworkX expected_degree_graph用法及代码示例

返回具有给定预期度数的随机图。

给定一个长度为\(n\)的预期度数序列\(W=(w_0,w_1,\ldots,w_{n-1})\)，该算法以概率在节点\(u\)和节点\(v\)之间分配一条边

参数：

w：列表

预期学位列表。

selfloops: bool (default=True)：

设置为 False 以消除自环边的可能性。

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：

图形

注意：

节点具有与预期度数输入序列的索引相对应的整数标签。

该算法的复杂度为\(\mathcal{O}(n+m)\)，其中\(n\) 是节点数，\(m\) 是预期边数。

[1] 中的模型包括自循环边的可能性。设置 selfloops=False 以生成没有自循环的图。

对于有限图，这个模型不能准确地产生给定的预期度数序列。相反，预期的度数如下。

对于没有自循环的情况(selfloops=False)，

NetworkX 使用自循环边在节点度数中计为 2 的标准约定，因此使用自循环 (selfloops=True)，

参考：

1

Fan Chung and L. Lu, Connected components in random graphs with given expected degree sequences, Ann. Combinatorics, 6, pp. 125-145, 2002.

2

Joel Miller and Aric Hagberg, Efficient generation of networks with given expected degrees, in Algorithms and Models for the Web-Graph (WAW 2011), Alan Frieze, Paul Horn, and Paweł Prałat (Eds), LNCS 6732, pp. 115-126, 2011.

例子：

>>> z = [10 for i in range(100)]
>>> G = nx.expected_degree_graph(z)