编制程序实现基于BA模型构建节点数N=100的无标度网络，可视化该无标度网络并绘制其度分布;分别采用随机干扰和hub靶向干扰两种方式干扰网络（去除10个节点），再重新可视化并-绘制其度分布;-并比较各网络的模块性。

要使用Python编写程序来实现巴克斯特勒(BA)模型构建无标度网络、可视化以及进行干扰后的网络分析，你需要使用`networkx`库来创建网络，`matplotlib`库进行可视化，以及一些统计工具来计算模块性和度分布。这里给出一个概述性的流程：

首先，确保已安装`networkx`和`matplotlib`，如果未安装，可以使用`pip install networkx matplotlib`。

import networkx as nx
import matplotlib.pyplot as plt
from community import community_louvain
import numpy as np

# 巴克斯特勒模型（Barabási-Albert model）
def barabasi_albert_model(N, m):
    G = nx.Graph()
    G.add_node(0)
    for i in range(1, N):
        G.add_node(i)
        if i < m:
            G.add_edge(0, i)
        else:
            target = np.random.choice(list(G.nodes), size=m, replace=False)
            G.add_edges_from([(i, j) for j in target])
    return G

# 构建初始无标度网络
N = 100
m = 3  # 新添加的链接数
initial_network = barabasi_albert_model(N, m)

# 可视化并保存初始网络
nx.draw(initial_network, with_labels=True, font_weight='bold')
plt.savefig("initial_network.png")

# 计算度分布和模块性
degrees = nx.degree(initial_network)
degree_sequence = sorted(degrees.values(), reverse=True)  # 高度排序
plt.figure()
plt.loglog(degrees.values(), 'b-', marker='o')
plt.ylabel('Degree distribution P(k)')
plt.xlabel('Degree k')
plt.title('Initial Network Degree Distribution')
plt.grid(True)
plt.savefig("initial_degree_distribution.png")

partition = community_louvain.best_partition(initial_network)
modularity = nx.algorithms.community.modularity(partition, initial_network)
print(f"Initial network modularity: {modularity}")

# 干扰网络并计算新度分布和模块性
random_interference = remove_nodes_randomly(initial_network, 10)
louvain_interference = remove_nodes_hub_targeted(initial_network, 10)

# ...（此处应有相应的函数remove_nodes_randomly() 和 remove_nodes_hub_targeted()）

# 可视化和保存干扰后的网络
# ...（类似地，绘制和保存新的网络图片）

# 分别计算和打印干挠后的网络模块性