louvain_partitions#
- louvain_partitions(G, weight='weight', resolution=1, threshold=1e-07, seed=None)[source]#
产生 Louvain 社区检测算法每一层的划分
Louvain 社区检测算法是一种提取网络社区结构的简单方法。这是一种基于模块度优化的启发式方法。[1]
每一层（算法的步骤）的划分形成一个社区树状图。树状图是一种表示树结构的图，每一层代表 G 图的一个划分。顶层包含最小的社区，随着向树底层遍历，社区变大，整体模块度增加，从而使划分更好。
每一层都是通过执行 Louvain 社区检测算法的两个阶段生成的。
输入图中的自环需要注意。它们被视为先前已缩减的社区——就像过程已在算法中途开始一样。因此，较大的自环边权重代表强社区，在实践中可能难以添加其他节点。如果输入图中自环的边权重不代表已经缩减的社区，则您可能需要在输入该图之前移除自环。
- 参数:
- GNetworkX 图
- weight字符串或 None，可选 (默认值=”weight”)
用作权重的边属性的名称。如果为 None，则每条边的权重为 1。
- resolution浮点数，可选 (默认值=1)
如果 resolution 小于 1，算法倾向于发现更大的社区。如果大于 1，则倾向于发现更小的社区。
- threshold浮点数，可选 (默认值=0.0000001)
每一层的模块度增益阈值。如果算法连续两层之间的模块度增益小于给定的阈值，则算法停止并返回结果社区。
- seed整数、random_state 或 None (默认值)
随机数生成状态的指示器。参见 随机性。
- 产生:
- 列表
集合的列表（
G的划分）。每个集合代表一个社区，并包含构成该社区的所有节点。
另请参阅
参考文献
[1]Blondel, V.D. et al. Fast unfolding of communities in large networks. J. Stat. Mech 10008, 1-12(2008)