如何在R中生成多个节点与边数相同的随机图并开展分析

1. 依赖包准备 #

使用igraph包实现核心功能，先完成安装和加载：

install.packages("igraph")
library(igraph)

2. 批量生成随机图 #

直接调用igraph内置的sample_gnm()函数即可生成固定节点数、边数的随机图，结合replicate()可批量生成，所有结果会存储为列表格式的统一对象：

# 自定义参数，可根据你的需求修改
node_num <- 30  # 固定节点数
edge_num <- 60  # 固定边数
gen_times <- 1000  # 生成次数

# 批量生成，返回所有随机图组成的列表对象
random_graph_list <- replicate(
  n = gen_times,
  expr = sample_gnm(n = node_num, m = edge_num, directed = FALSE),
  simplify = FALSE
)

说明：如需生成有向图，仅需将directed参数改为TRUE即可；random_graph_list就是整合了所有生成图的统一对象，取单个图可通过random_graph_list[[序号]]实现。

3. 批量计算网络指标 #

遍历生成的图列表，即可批量计算所需的网络指标，结果整理为数据框方便后续统计分析：

# 计算所有随机图的核心指标
random_metrics <- do.call(rbind, lapply(random_graph_list, function(g) {
  data.frame(
    average_degree = mean(degree(g)),
    average_path_length = mean_distance(g),
    diameter = diameter(g),
    # 可在此处补充其他需要的指标，例如聚类系数transitivity(g)、度 assortativity_degree(g)等
    stringsAsFactors = FALSE
  )
}))

你可以直接基于random_metrics分析各指标的分布特征，例如计算均值、分位数、绘制分布直方图等。

4. 与实证网络对比 #

假设你的实证网络已经存储为igraph对象empirical_graph，先计算它的对应指标，再和随机图的指标分布做对比即可：

# 计算实证网络的核心指标
empirical_metrics <- data.frame(
  average_degree = mean(degree(empirical_graph)),
  average_path_length = mean_distance(empirical_graph),
  diameter = diameter(empirical_graph)
)

# 示例：计算实证网络的平均路径长度在随机分布中的分位数，判断是否显著异于随机
ecdf(random_metrics$average_path_length)(empirical_metrics$average_path_length)

内容的提问来源于stack exchange，提问作者jsilverman