在森林图（Forest Graph）中，节点代表树木，边代表树木间的联系。计算森林图中各节点的权重，可以帮助我们揭示树木间的联系强度和结构特征。以下是一些轻松计算森林图中节点权重的方法，以及如何通过这些权重来揭示树木间联系的秘密。
1. 度中心性（Degree Centrality）
度中心性是衡量节点在图中的重要性的一个简单指标。对于森林图中的每个节点，其度中心性等于连接到该节点的边的数量。度中心性越高，表示该节点与其他节点的联系越紧密。
计算方法
def degree_centrality(graph):
centrality = {}
for node in graph:
centrality[node] = len(graph[node])
return centrality
应用实例
假设我们有一个森林图，节点及其连接关系如下：
graph = {
'A': ['B', 'C'],
'B': ['A', 'C', 'D'],
'C': ['A', 'B', 'D'],
'D': ['B', 'C']
}
使用上述函数计算度中心性，我们可以得到节点A、B、C、D的度中心性分别为2、3、3、2。
2. 邻接中心性（Closeness Centrality）
邻接中心性衡量一个节点到图中其他所有节点的最短路径长度之和。在森林图中，邻接中心性高的节点通常位于网络的核心位置，与其他节点联系紧密。
计算方法
from collections import deque
def bfs(graph, start):
visited = set()
queue = deque([start])
distances = {start: 0}
while queue:
current = queue.popleft()
visited.add(current)
for neighbor in graph[current]:
if neighbor not in visited:
distances[neighbor] = distances[current] + 1
queue.append(neighbor)
return distances
def closeness_centrality(graph):
centrality = {}
for node in graph:
distances = bfs(graph, node)
centrality[node] = sum(distances.values()) / len(distances)
return centrality
应用实例
使用上述函数计算邻接中心性，我们可以得到节点A、B、C、D的邻接中心性分别为4、3、3、3。
3. 中介中心性（Betweenness Centrality）
中介中心性衡量一个节点在连接其他节点方面的重要性。一个节点中介中心性越高，表示它在网络中的连接作用越强。
计算方法
def betweenness_centrality(graph):
centrality = {}
for node in graph:
for source in graph:
for target in graph:
if source != target and source != node and target != node:
paths = shortest_paths(graph, source, target)
centrality[node] += sum(1 for path in paths if node in path)
return centrality
应用实例
使用上述函数计算中介中心性，我们可以得到节点A、B、C、D的中介中心性分别为1、1、2、1。
4. 紧密度（Cohesion）
紧密度衡量节点与其邻居之间的联系强度。在森林图中，紧密度高的节点通常代表一个紧密的子图，即一个“社区”。
计算方法
def cohesion(graph, node):
neighbors = graph[node]
return sum(len(graph[neighbor]) for neighbor in neighbors) / len(neighbors)
应用实例
使用上述函数计算紧密度，我们可以得到节点A、B、C、D的紧密度分别为2、2、2、2。
总结
通过计算森林图中各节点的权重，我们可以揭示树木间的联系秘密。不同的权重计算方法可以帮助我们从不同角度理解网络结构，从而为森林图的应用提供有益的参考。