Python NetworkX expected_degree_graph用法及代碼示例

返回具有給定預期度數的隨機圖。

給定一個長度為\(n\)的預期度數序列\(W=(w_0,w_1,\ldots,w_{n-1})\)，該算法以概率在節點\(u\)和節點\(v\)之間分配一條邊

參數：

w：列表

預期學位列表。

selfloops: bool (default=True)：

設置為 False 以消除自環邊的可能性。

seed：整數、random_state 或無(默認)

隨機數生成狀態的指示符。請參閱隨機性。

返回：

圖形

注意：

節點具有與預期度數輸入序列的索引相對應的整數標簽。

該算法的複雜度為\(\mathcal{O}(n+m)\)，其中\(n\) 是節點數，\(m\) 是預期邊數。

[1] 中的模型包括自循環邊的可能性。設置 selfloops=False 以生成沒有自循環的圖。

對於有限圖，這個模型不能準確地產生給定的預期度數序列。相反，預期的度數如下。

對於沒有自循環的情況(selfloops=False)，

NetworkX 使用自循環邊在節點度數中計為 2 的標準約定，因此使用自循環 (selfloops=True)，

參考：

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)