如何用Python从度列表生成匹配度序列的随机邻接矩阵？

方案一：利用python-igraph内置方法 #

python-igraph中存在对应功能，只是函数名和R版不同，可通过以下两个方法实现：

• Graph.Degree_Sequence(deg_sequence, method="vl")：基于Viger-Latapy算法生成无环无重边的简单图，仅在度序列可行时生效
• Graph.Random_Degree_Sequence(deg_sequence)：生成允许自环和重边的随机图，适配更多度序列场景

示例代码：

from igraph import Graph
import numpy as np

# 示例度序列
deg_seq = [3, 3, 2, 2, 1, 1]

# 生成无环无重边的简单图
graph = Graph.Degree_Sequence(deg_seq)
# 转换为邻接矩阵
adj_matrix = np.array(graph.get_adjacency().data)
print(adj_matrix)

方案二：使用NetworkX库 #

若偏好NetworkX生态，可通过configuration_model()高效生成对应度序列的随机图，还能灵活控制是否允许自环和重边：

import networkx as nx
import numpy as np

deg_seq = [3, 3, 2, 2, 1, 1]

# 生成基础随机图（可能含自环/重边）
G = nx.configuration_model(deg_seq, seed=42)
# 转换为简单图并移除自环
G = nx.Graph(G)
G.remove_edges_from(nx.selfloop_edges(G))
# 转换为邻接矩阵
adj_matrix = nx.to_numpy_array(G)
print(adj_matrix)

注意：可先通过nx.is_graphical(deg_seq)校验度序列是否能构成简单图，避免生成不符合预期的结果。

性能说明 #

• python-igraph底层基于C实现，处理大规模度序列时速度远快于纯Python代码
• NetworkX的configuration_model()经过优化，在中等规模数据集上表现稳定

内容的提问来源于stack exchange，提问作者Qise