如何使用Python计算加权边列表的Eigenvector centrality（特征向量中心性）

你可以直接用Python的networkx库完成计算，这是最简便的实现方式，具体步骤如下： #

步骤1：导入依赖库 #

需要用到pandas处理结构化数据，networkx实现图计算：

import pandas as pd
import networkx as nx

步骤2：加载边列表数据 #

你可以直接使用你现有的DataFrame，也可以按照以下方式构造示例数据：

# 你提供的加权边列表数据
df = pd.DataFrame({
    "from": [1, 3, 1, 4, 1, 6],
    "to": [2, 5, 4, 1, 3, 2],
    "weight": [1, 1, 1, 3, 2, 1]
})

步骤3：构造图结构 #

根据你的业务需求选择有向图/无向图：

# 如果是有向图使用nx.DiGraph()，无向图替换为nx.Graph()
G = nx.from_pandas_edgelist(
    df, 
    source="from", 
    target="to", 
    edge_attr="weight", 
    create_using=nx.DiGraph()
)

步骤4：计算加权特征向量中心性 #

推荐使用numpy版本的计算方法，稳定性更高，适合小规模图：

# weight参数指定使用边的weight属性作为权重计算
eigen_centrality = nx.eigenvector_centrality_numpy(G, weight="weight")

# 按得分从高到低输出结果
result = pd.Series(eigen_centrality).sort_values(ascending=False)
print(result)

注意事项 #

• 特征向量中心性默认要求图是强连通的，如果你使用的是有向图且存在不连通分量，结果可能不符合预期，建议先做图的连通性校验。
• 如果你的权重值代表的是连接开销/距离（数值越高连接越弱），需要先对权重列做倒数转换再传入计算，默认逻辑是权重越高连接强度越高。
• 如果你使用的是nx.eigenvector_centrality（幂迭代实现），需要调整max_iter和tol参数保证迭代收敛，更适合超大规模图的计算。

内容的提问来源于stack exchange，提问作者tj judge