NetworkX与iGraph计算特征向量中心性结果不一致的原因排查

特征向量中心性的差异主要源于两个核心原因：特征向量的尺度不确定性，以及两个库的归一化/计算策略差异：

1. 特征向量的本质是尺度不唯一的 #

特征向量中心性的定义是邻接矩阵的主特征向量（对应最大特征值的特征向量），满足方程：
[ \mathbf{A}\mathbf{x} = \lambda \mathbf{x} ]
其中 ( \lambda ) 是最大特征值，( \mathbf{x} ) 是特征向量。这里的关键是：任意非零标量乘以 ( \mathbf{x} ) 依然是满足方程的特征向量。因此，不同工具只要采用不同的归一化方式，结果就会成比例（而非完全相等）。

2. 两个库的归一化策略不同 #

• iGraph的evcent：默认会将结果缩放至最大值为1（由scale=True参数控制，默认开启）。
• NetworkX的eigenvector_centrality：默认返回的是L2范数为1的特征向量（即向量各元素的平方和为1）。

这就是你观察到iGraph结果约为NetworkX两倍的核心原因——两种归一化方式导致了尺度差异。

3. 计算细节的细微差异 #

除了归一化，两个库的迭代算法和终止条件也可能带来微小误差：

• NetworkX使用幂迭代法，默认tol=1e-6（迭代收敛的精度阈值），你设置了max_iter=500；
• iGraph的evcent默认使用的迭代精度阈值可能与NetworkX不同，最终结果会有微小的数值差异，但整体成比例。

验证方法 #

你可以手动验证两个结果的比例关系：

• 计算iGraph结果的最大值，再计算NetworkX结果的L2范数，看是否符合各自的归一化规则；
• 将其中一组结果按比例缩放后，对比两组结果的相对大小（特征向量的节点排序应该完全一致）。

内容的提问来源于stack exchange，提问作者Graeme Guy