如何用Python从邻接矩阵构建多层网络并计算广义中心性？

一、修复pymnet多层网络构建问题 #

你之前的pymnet代码无法正常生成多层网络的核心原因是：add_layer方法不能直接传入NetworkX图对象，需要手动映射节点并添加层内边。以下是修正后的完整构建代码：

import pymnet
import networkx as nx

# 初始化Multiplex网络（aspects=1对应单层维度的多层网络）
# fullyInterconnected=True默认添加同一节点跨层的连接，不需要可设为False
mnet = pymnet.MultilayerNetwork(aspects=1, fullyInterconnected=True)

# 提取所有矩阵共享的节点集（假设matrix_1是pandas邻接矩阵）
nodes = matrix_1.index.tolist()

# 先把所有节点添加到每一层
for node in nodes:
    mnet.add_node(node, layer="layer_1")
    mnet.add_node(node, layer="layer_2")
    mnet.add_node(node, layer="layer_3")

# 定义从邻接矩阵批量添加层内边的工具函数
def add_layer_edges(network, adj_matrix, layer_name):
    nx_graph = nx.convert_matrix.from_pandas_adjacency(adj_matrix)
    for u, v, _ in nx_graph.edges(data=True):
        # 无向边添加双向连接，如需有向可指定directed=True
        network.add_edge(u, v, layer=layer_name)

# 为三个层分别添加边
add_layer_edges(mnet, matrix_1, "layer_1")
add_layer_edges(mnet, matrix_2, "layer_2")
add_layer_edges(mnet, matrix_3, "layer_3")

# 验证网络结构
print(f"总节点数：{mnet.num_nodes}")
print(f"总层数：{mnet.num_layers}")

执行以上代码后，你可以用pymnet.draw(mnet)生成可分析的多层网络可视化图。

二、计算多层广义特征向量中心性 #

方法1：使用pymnet内置函数 #

pymnet原生支持多层网络的广义特征向量中心性计算，通过eigenvector_centrality函数实现，核心参数gamma控制层间连接对中心性的影响权重：

# 计算广义特征向量中心性，gamma=1.0表示层间连接与层内边权重相当
centralities = pymnet.eigenvector_centrality(mnet, gamma=1.0)

# 按节点+层输出结果
for node in nodes:
    print(f"节点 {node} 的中心性：")
    for layer in ["layer_1", "layer_2", "layer_3"]:
        print(f"  {layer}: {centralities[(node, layer)]:.4f}")

方法2：手动构建超邻接矩阵计算（自定义性更强） #

如果需要更灵活的权重配置（比如不同层赋予不同权重），可以手动构建多层网络的超邻接矩阵，再通过特征值分解计算中心性：

import numpy as np
from scipy.linalg import eig

num_nodes = len(nodes)
num_layers = 3
gamma = 1.0  # 层间连接权重

# 初始化超邻接矩阵（大小为 节点数×层数 × 节点数×层数）
super_adj = np.zeros((num_nodes * num_layers, num_nodes * num_layers))

# 填充层内边
layer_mats = [matrix_1.values, matrix_2.values, matrix_3.values]
for i in range(num_layers):
    start = i * num_nodes
    end = (i + 1) * num_nodes
    super_adj[start:end, start:end] = layer_mats[i]

# 添加跨层节点连接（同一节点在不同层之间的边）
for node_idx in range(num_nodes):
    for i in range(num_layers):
        for j in range(num_layers):
            if i != j:
                super_adj[i*num_nodes + node_idx, j*num_nodes + node_idx] = gamma

# 计算最大特征值对应的特征向量
vals, vecs = eig(super_adj)
max_idx = np.argmax(vals.real)
centrality_vec = vecs[:, max_idx].real

# 整理为节点-层的中心性字典
centrality_dict = {}
for i in range(num_layers):
    layer_name = f"layer_{i+1}"
    for node_idx, node in enumerate(nodes):
        centrality_dict[(node, layer_name)] = centrality_vec[i*num_nodes + node_idx]

三、可视化验证 #

用pymnet绘制构建好的多层网络，确认结构符合预期：

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111)
pymnet.draw(mnet, ax=ax, layout="spring", node_size=50, edge_width=0.5)
plt.title("Multiplex Network Visualization")
plt.show()

内容的提问来源于stack exchange，提问作者Daniel Alexsandrovich