写一个参数可控的社团结构网络python脚本

好的，以下是一个参数可控的社团结构网络 Python 脚本示例：

import networkx as nx
import numpy as np

def generate_community_network(n, k, mu, p_in, p_out, seed=None):
    """
    生成具有社团结构的无标度网络

    参数：
    n：生成网络的节点数
    k：社团内部的平均度数
    mu：社团间的连接概率
    p_in：社团内部的连接概率
    p_out：社团外部的连接概率
    seed：随机数种子

    返回：
    生成的网络对象
    """
    # 初始化网络
    G = nx.Graph()
    G.add_nodes_from(range(n))

    # 生成社区结构
    for i in range(n):
        community_i = i // k
        for j in range(i + 1, n):
            community_j = j // k
            if community_i == community_j:
                if np.random.rand() < p_in:
                    G.add_edge(i, j)
            else:
                if np.random.rand() < p_out:
                    if np.random.rand() < mu:
                        other_nodes = [x for x in range(n) if x // k == community_j]
                        G.add_edge(i, np.random.choice(other_nodes))
                    else:
                        G.add_edge(i, j)

    return G

# 设置参数
n = 50  # 节点数
k = 5  # 社团内部的平均度数
mu = 0.5  # 社团间的连接概率
p_in = 0.8  # 社团内部的连接概率
p_out = 0.01  # 社团外部的连接概率
seed = 42  # 随机数种子

# 生成网络
G = generate_community_network(n, k, mu, p_in, p_out, seed)

# 输出生成的网络信息
print("Number of nodes:", G.number_of_nodes())
print("Number of edges:", G.number_of_edges())
print("Average degree:", np.mean(list(dict(G.degree()).values())))
print("Number of communities:", nx.algorithms.community.modularity_max.greedy_modularity_communities(G))

在这个脚本中，我们定义了一个 `generate_community_network` 函数，该函数接受一些参数，如节点数、社团内部的平均度数、社团间的连接概率、社团内部的连接概率和社团外部的连接概率等。然后，我们使用这些参数生成具有社团结构的无标度网络，并计算生成的网络的一些基本信息，如节点数、边数、平均度数和社区结构等。你可以根据需要进行修改和优化。