基于networkx计算对比固定n、d时不同p值的50个WS小世界图的聚类系数与特征路径长度

初始代码存在的核心问题 #

• p值生成逻辑错误：Python内置range函数仅支持整数取值、整数步长，你写的range(0,1,50)会返回空序列，完全无法触发循环；你需要的0到1区间内50个均匀分布的p值，根本不能用内置range生成。
• 流程不完整：仅完成了图生成步骤，没有实现两个核心指标的计算，也没有留存对应结果支撑后续对比。
• 缺少计算注意事项：计算平均最短路径长度时，需要考虑图的连通性情况，避免触发算法报错。

修正后的完整实现代码 #

import networkx as nx
import numpy as np

# 固定全局超参数
n, d = 1000, 5
# 生成[0,1]闭区间内均匀分布的50个p取值
p_list = np.linspace(start=0, stop=1, num=50)
# 初始化列表存储对应计算结果
clustering_result = []
path_length_result = []

for p in p_list:
    # 生成WS小世界图，原代码中k=2*d的参数设置是正确的
    ws_graph = nx.watts_strogatz_graph(n=n, k=2*d, p=p)
    # 计算图的平均聚类系数
    avg_c = nx.average_clustering(ws_graph)
    # 计算图的特征路径长度（即全局平均最短路径）
    avg_l = nx.average_shortest_path_length(ws_graph)
    # 将结果存入对应列表
    clustering_result.append(avg_c)
    path_length_result.append(avg_l)

后续对比的实现思路 #

• 可以直接将两组结果和p值做绑定，整理成二维表查看每个p对应的指标值：每行包含当前p、对应聚类系数、对应特征路径长度，直观对比不同p下的两个指标差异。
• 做经典特性对比时，可对两个指标做归一化处理：将每个p下的聚类系数除以p=0时的规则图最大聚类值，将每个p下的特征路径长度除以p=0时的规则图最大路径长度，就能复现WS小世界的核心曲线特征——p从0逐步增大的过程中，聚类系数仅出现缓慢下降，但特征路径长度会快速降低到接近随机图的水平，中间的p区间就是具备小世界特性的参数范围。
• 注意：n=1000规模的图计算全局最短路径的计算量不低，50个p值的整体计算时长大概在数分钟级别，属于正常运行状态；若运行中触发“图不连通”的报错，可以在计算前提取图的最大连通分量做指标计算，该规模下的WS图在全p取值范围内连通率很高，很少出现不连通情况。

内容的提问来源于stack exchange，提问作者Keralf2020