主要内容
居民
测量节点重要性
描述
例子
页面排名的6个网站
创建和绘制包含六个虚构网站的图表。
s = [1 1 2 2 3 3 3 4 5];T = [2 5 3 4 4 5 6 11 1];名称= {'http://www.example.com/alpha'那'http://www.example.com/beta'那......'http://www.example.com/gamma'那“http://www.example.com/delta”那......'http://www.example.com/epsilon'那'http://www.example.com/zeta'};g = digraph（s，t，[]，名称）;绘图（g，'nodelabel'，{“α”那'beta'那'伽玛'那'三角洲'那'epsilon'那'Zeta'}）
计算每个网站的页面等级使用居民功能。将此信息附加到节点图表的表作为图表节点的属性。
PG_RANKS =中心性（G，'网页排名'）
pg_ranks =.6×10.3210 0.1706 0.1066 0.1368 0.2008 0.0643
g.nodes.pagerank = pg_ranks;G.Nodes.
ans =.6×2表姓名pagerank ______________________________ ________ {'http://www.example.com/alpha'} 0.32098 {'http://www.example.com/beta'} 0.17057 {'http://www.example.com/gamma'0.10657 {'http://www.example.com/delta'} 0.13678 {'http://www.example.com/epsilon'} 0.20078 {http://www.example.com/zeta'} 0.06432
还确定了哪些节点是集线器和当局使用居民并附上得分节点桌子。
hub_ranks = Centrality（G，“枢纽”）;auth_ranks = Centrality（g，'当局'）;g.nodes.hubs = hub_ranks;g.nodes.authorities = auth_ranks;
G.Nodes.
ans =.6×4表命名PageRank Hubs当局__________________________________________________________ww.example.com/alpha'} 0.32098 0.24995 7.3237E-05 {'http://www.example.com/beta'} 0.17057 0.24995 0.24995 0.24995 0.24995 0.24995 0.24995 0.24995 0.24995 0.24995 0.24995 0.24995 0.24995 0.24995 0.099993 {'HTTP：//www.example.com/gamma'} 0.10657 0.49991 0.099993 {'http://www.example.com/delta'} 0.13678 9.15360-05 0.29998 {'http://www.example.com/epsilon'0.29998 {'http://www.example.com/zeta'} 0.06432 0 0.19999
随机图的程度中心
使用随机稀疏邻接矩阵创建和绘制加权图。由于有很多边缘，因此使用非常小的价值Edgealpha.使边缘大多是透明的。
一个= sprand(1000、1000、0.15);A = A + A';图G = (,'omitselfloops'）;p = plot（g，'布局'那'力量'那'edgealpha'，0.005，'nodecolor'那'r'）;
计算每个节点的程度中心。使用边缘权重指定每个边缘的重要性。
deg_ranks = Centrality（G，'程度'那'重要性', G.Edges.Weight);
采用离散化根据其中心分，将节点放入7个同等间隔的垃圾箱。
边缘= linspace（min（deg_ranks），max（deg_ranks），7）;箱=离散化（DEG_RANKS，边缘）;
使每个节点的大小与其中心分数成比例。每个节点的标记大小等于BIN编号（1-7）。
P.Markersize =垃圾箱;
明尼苏达道路的亲密关系
加载数据明尼苏达州.Mat，其中包含图形对象G代表明尼苏达州道路网络。图表节点具有XY.坐标包含在XCOORD.和ycoord.的变量G.Nodes.桌子。
加载明尼苏达州.Matxy = [G.Nodes。XCOORD.G.Nodes.。ycoord.];
将边缘权重添加到大致对应于道路长度的图表中，使用欧几里德距离计算XY.每个边缘的终端节点的坐标。
[s，t] = spindeded（g）;G.edges.weight = ampot（xy（s，1）-xy（t，1），xy（s，2）-xy（t，2））;
使用该图绘制图表XY.节点的坐标。
p = plot（g，'xdata'，xy（：1），'ydata'，xy（:,2），'Markersize'5）;标题（“明尼苏达州道路网络”）
计算每个节点的近密中心。缩放节点颜色NodeCdata.与中心分成绩成比例。
UCC = Centrality（G，'亲密'）;p.nodecdata = UCC;COLOROMAP.喷射彩色杆标题（'亲密的中心地位分数 - 未加权'）
还使用边缘权重作为遍历每个边缘的成本来计算加权接近中心分数。使用道路长度作为边缘重量可以提高得分质量，因为现在距离被测量为所有行驶边缘的长度的总和，而不是行进的边缘的数量。
WCC = Centrality（G，'亲密'那'成本', G.Edges.Weight);p.NodeCData =“;标题（“接近中心性评分-加权”）
计算图表的加权度量分数，以确定最常见于两个节点之间最短路径的道路。以因素标准化中心分分数 因此，分数表示旅行者沿两个随机节点之间的最短路径的概率将通过给定节点行进。这些地块表明，有一些非常重要的道路通往城市。
WBC = Centrality（G，'之间'那'成本', G.Edges.Weight);n = numnodes（g）;p.nodecdata = 2 * WBC ./（（n-2）*（n-1））;Colormap（翻转（秋季，1））;标题（'之间的中心地位分数 - 加权'）
输入参数
输出参数
在R2016A介绍
您还可以从以下列表中选择一个网站：
