以一个网络点作为输入计算中心度指标（强度、接近度、介数、预期影响力）在网络中的表现。用户可以选择包括哪些中心度指标，设置排序顺序，是否降序排列，并为每个网络指定名称。该函数会生成一个折线图，展示每个指标在两网络中的变化情况的代码

在Python的networkx库中，你可以编写这样的函数来计算网络节点的中心度指标并可视化结果：

import networkx as nx
import matplotlib.pyplot as plt

def compute_and_plot_center度(G1, G2, metrics=['strength', 'closeness centrality', 'betweenness centrality', 'eigenvector centrality']):
    """
    参数：
    G1, G2 (NetworkX Graphs): 两个网络实例
    metrics (list): 中心度指标，默认包括强度（strength）、接近度（closeness centrality）、介数（betweenness centrality）和预期影响力（eigenvector centrality）
    
    返回：
    fig, ax: Matplotlib图形和轴对象，可用于后续的绘图操作
    """
    # 计算每个网络的中心度
    results1 = {metric: nx.get_node_attributes(G1, metric) for metric in metrics}
    results2 = {metric: nx.get_node_attributes(G2, metric) for metric in metrics}

    # 组织数据为易于可视化的格式
    data = [(metric, [values[node] for node in G1.nodes() if node in results1[metric]], [values[node] for node in G2.nodes() if node in results2[metric]])
            for metric, values in results1.items()]

    # 指定排序顺序和是否降序
    sort_order = {'strength': True, 'closeness centrality': False, 'betweenness centrality': True, 'eigenvector centrality': False}  # 示例排序规则，可以根据需求调整
    ascending = lambda x: not sort_order[x]
    
    # 排序数据
    data.sort(key=lambda x: ascending(x[0]))

    # 创建图形和轴
    fig, ax = plt.subplots()

    # 绘制折线图
    for metric, series1, series2 in data:
        ax.plot(series1, label=f"{metric} ({G1.name})", marker='o')
        ax.plot(series2, label=f"{metric} ({G2.name})", marker='o')

    ax.set_title("Node Center Degree Metrics Comparison")
    ax.set_xlabel('Nodes')
    ax.set_ylabel('Center Degree Value')
    ax.legend()
    ax.grid(True)

    return fig, ax

# 使用示例
G1 = nx.karate_club_graph()  # 定义第一个网络
G2 = nx.barabasi_albert_graph(100, 3)  # 定义第二个网络
_, ax = compute_and_plot_center度(G1, G2, ['strength', 'closeness centrality', 'betweenness centrality'])

在这个函数中，我们首先计算了给定网络中的每种中心度指标，然后按照指定的排序顺序绘制折线图。注意，你需要先安装networkx和matplotlib库才能运行这个函数。