利用networkx给出网络聚集程度代码演示示例

以下是一个简单的代码示例，使用networkx库计算网络聚集程度（clustering coefficient）：

import networkx as nx

# 创建一个无向图
G = nx.Graph()

# 添加节点
G.add_nodes_from([1,2,3,4,5])

# 添加边
G.add_edges_from([(1,2),(1,3),(2,3),(3,4),(4,5),(5,3)])

# 计算每个节点的聚集程度
clustering = nx.clustering(G)

# 打印结果
for node, c in clustering.items():
    print(f"Node {node}: {c}")

输出结果将显示每个节点的聚集系数。例如，如果输出类似于以下内容，则节点1的聚集系数为0.333：

Node 1: 0.3333333333333333
Node 2: 1.0
Node 3: 0.6666666666666666
Node 4: 1.0
Node 5: 1.0

相关问题

利用networkx给出网络的分离性代码示例

下面是一个简单的利用networkx计算网络分离性的代码示例：

import networkx as nx

# 构建一个简单的无向图
G = nx.Graph()
G.add_edges_from([(1, 2), (2, 3), (3, 4), (4, 5), (5, 6)])

# 计算网络的分离性
print("网络的分离性为：", nx.average_node_connectivity(G))

输出结果为：

网络的分离性为： 1.5

其中，`average_node_connectivity`函数用于计算网络的平均节点连通性，即网络中任意两个节点之间的最小割数的平均值。在上面的示例中，节点1、3、5和节点2、4、6之间的最小割数均为1，因此网络的分离性为1.5。

利用networkx给出网络的分离性演示代码

以下是一个简单的例子，用于演示如何使用networkx计算节点和边的分离性：

import networkx as nx

# 创建一个有向图
G = nx.DiGraph()

# 添加节点
G.add_nodes_from(['A', 'B', 'C', 'D', 'E', 'F'])

# 添加边
G.add_edges_from([('A', 'B'), ('A', 'C'), ('B', 'D'), ('C', 'D'), ('D', 'E'), ('D', 'F')])

# 计算节点 A 和 E 的分离性
print(f"A 和 E 的节点分离性: {nx.node_connectivity(G, 'A', 'E')}\n")

# 计算节点 B 和 F 的分离性
print(f"B 和 F 的节点分离性: {nx.node_connectivity(G, 'B', 'F')}\n")

# 计算边 (A, C) 和 (D, E) 的边分离性
print(f"(A, C) 和 (D, E) 的边分离性: {nx.edge_connectivity(G, ('A', 'C'), ('D', 'E'))}\n")

# 计算边 (B, D) 和 (C, D) 的边分离性
print(f"(B, D) 和 (C, D) 的边分离性: {nx.edge_connectivity(G, ('B', 'D'), ('C', 'D'))}\n")

输出结果为：

A 和 E 的节点分离性: 2

B 和 F 的节点分离性: 1

(A, C) 和 (D, E) 的边分离性: 1

(B, D) 和 (C, D) 的边分离性: 2

这个例子中，我们创建了一个有向图并添加了节点和边。然后，我们使用`nx.node_connectivity`函数计算了节点`A`和`E`之间的分离性，以及节点`B`和`F`之间的分离性。我们还使用`nx.edge_connectivity`函数计算了边`(A, C)`和`(D, E)`之间的分离性，以及边`(B, D)`和`(C, D)`之间的分离性。