如何基于加权边列表计算centrality score（中心性得分）

环境准备 #

你可以用Python的networkx库快速实现，先安装依赖：

pip install networkx pandas

代码实现步骤 #

1. 构造图结构 #

假设你已经把边列表存为DataFrame，列名分别为from（源节点）、to（目标节点）、weight（边权重），直接用以下代码构造图：

import pandas as pd
import networkx as nx

# 这里是你给出的示例数据构造，实际使用时直接替换为你自己的DataFrame即可
edge_df = pd.DataFrame({
    "from": [1, 3, 1, 4, 1, 6],
    "to": [2, 5, 4, 1, 3, 2],
    "weight": [1, 1, 1, 3, 2, 1]
})

# 构造加权有向图，若你的边无方向属性，把nx.DiGraph()替换为nx.Graph()即可
G = nx.from_pandas_edgelist(
    edge_df,
    source="from",
    target="to",
    edge_attr="weight",
    create_using=nx.DiGraph()
)

2. 计算常用加权中心性指标 #

新手常用的4类中心性计算代码如下：

• 加权度中心性：统计节点所有关联边的权重总和，直接反映节点的连接规模

# 总加权度，如需单独统计入度/出度，替换为G.in_degree(weight="weight")或G.out_degree(weight="weight")
weighted_degree = dict(G.degree(weight="weight"))

• 加权介数中心性：统计节点位于其他节点最短路径上的频率，反映节点作为信息中介的重要性

weighted_betweenness = nx.betweenness_centrality(G, weight="weight")

• 加权接近中心性：统计节点到其他所有节点的平均最短距离的倒数，反映节点触达全网络的效率

weighted_closeness = nx.closeness_centrality(G, distance="weight")

• 加权特征向量中心性：同时考虑节点本身的连接规模和相邻节点的重要性，反映节点在核心圈层的权重

weighted_eigenvector = nx.eigenvector_centrality(G, weight="weight")

关键注意事项 #

• 先确认图的属性：如果你的业务场景中边是有方向的（比如转账、关注、单向流动关系）就用有向图，否则用无向图即可。
• 注意权重的业务含义：如果你的权重代表连接强度（数值越大关系越紧密），计算最短路径类指标（介数、接近中心性）时，需要先把权重转换为距离值（比如用1/weight作为新的权重列），因为默认算法中权重参数代表路径距离，数值越大路径优先级越低。
• 按需选择指标：不需要计算所有中心性，根据你的分析目标选对应指标即可，比如找连接最多的节点选度中心性，找枢纽节点选介数中心性。

内容的提问来源于stack exchange，提问作者tj judge