graphscope.nx.generators.classic.circulant_graph¶

graphscope.nx.generators.classic.circulant_graph(n, offsets, create_using=None)[源代码]¶

返回具有$n$个节点的循环图$Ci_n(x_1, x_2, …, x_m)$。

循环图 $Ci_n(x_1, …, x_m)$ 由 $n$ 个节点 $0, …, n-1$ 组成，其中节点 $i$ 与所有 $(i + x) mod n$ 和 $(i - x) mod n$ 的节点相连， $x$ 取自 $x_1, …, x_m$。因此 $Ci_n(1)$ 是一个环形图。

Parameters:

n (整数) – 图中的节点数量。
offsets (list of integers) – 如上所述的节点偏移量列表，从$x_1$到$x_m$。
create_using (NetworkX 图构造函数，可选 (默认=nx.Graph)) - 要创建的图类型。如果是图实例，则在填充前会被清空。

Return type:

类型为 create_using 的 NetworkX 图

示例

许多著名的图族都是循环图的子类；例如，要创建一个包含n个点的环状图，我们会将每个节点连接到两侧的节点（偏移量为正负一）。当n = 10时，

>>> G = nx.circulant_graph(10, [1])
>>> edges = [
...     (0, 9),
...     (0, 1),
...     (1, 2),
...     (2, 3),
...     (3, 4),
...     (4, 5),
...     (5, 6),
...     (6, 7),
...     (7, 8),
...     (8, 9),
... ]
...
>>> sorted(edges) == sorted(G.edges())
True

类似地，我们可以使用偏移量集合[1, 2]创建一个包含5个点的完整图：

>>> G = nx.circulant_graph(5, [1, 2])
>>> edges = [
...     (0, 1),
...     (0, 2),
...     (0, 3),
...     (0, 4),
...     (1, 2),
...     (1, 3),
...     (1, 4),
...     (2, 3),
...     (2, 4),
...     (3, 4),
... ]
...
>>> sorted(edges) == sorted(G.edges())
True