我使用python包-networkx构建了一个网络，每条边都有一个权重，表示两个节点在相关性方面的接近程度。
如果有一个内置算法可以返回一个集群图，将每个节点分配给它的集群 ID（1 到 k），那将是理想的。
如果它可以基于边的权重进行聚类会更好，但不是关键......
知道如何做到这一点吗？
【问题讨论】：
标签： python cluster-analysis networkx hierarchical-clustering
这可以帮助networkx.algorithms.community.label_propagation.asyn_lpa_communities
根据文档。
返回由异步标签传播检测到的 G 中的 社区。 边的权重用于确定标签在节点的邻居中出现的频率。
【讨论】：
您可能想查看包python-louvain。有了它，您可以使用函数best_partition 在图中检测社区。从功能描述来看：
计算最大化图节点的分区 使用鲁汶启发式的模块化（或尝试..）
这是最高模块化的分区，即最高的分区 Louvain算法生成的树状图。
在我的示例中，我计算了karate_club_graph 的社区。 （请注意，我使用 best_partition 和 weight 关键字，即使我的图表没有加权边——我只是展示您将如何在您的情况下使用该函数。）
import networkx as nx
import community
G = nx.karate_club_graph()
p = community.best_partition(G, weight='weight')
print(p)
输出：
{0: 0, 1: 0, 2: 0, 3: 0, 4: 1, 5: 1, 6: 1, 7: 0, 8: 2, 9: 0, 10: 1, 11: 0, 12: 0, 13: 0, 14: 2, 15: 2, 16: 1, 17: 0, 18: 2, 19: 0, 20: 2, 21: 0, 22: 2, 23: 3, 24: 3, 25: 3, 26: 2, 27: 3, 28: 3, 29: 2, 30: 2, 31: 3, 32: 2, 33: 2}
输出是一个字典（键 = 节点，值 = 分区）。分区从 0 到 k-1。如果您需要它们从 1 变为 k，您可以将字典值提高到 +1。
for k, v in p.items():
p[k] = v + 1
【讨论】：
k的值。
python-louvain，并且当前目录中没有任何名为community.py 的文件。