在R中：在测量网络集中度时，iGraph和STATNET如何处理断开连接的图

我正在处理大约300个不同大小的断开连接的网络。我使用R中的STATNET和iGraph包计算这些网络的不同图形级集中度量

然而，我发现N=2的子图中的节点被赋予了iGraph的特征向量中心性度量的最大值1。因此，具有大量孤立二元体的网络可以获得非常高的图级特征向量集中分数

在我的网络中，这不是一个有效的结果，因为这些网络连接不良，因此理论上应该具有较低的集中度分数

有人知道这些措施是如何处理断开连接的图形的吗？有没有办法解决这个问题？此外，是否有其他方法来评估这些网络的结构

---

欢迎任何帮助。谢谢大家!

对于断开连接的图，特征向量中心性没有很好的定义，因为各个分量的中心性得分彼此独立；可以将一个组分的中心性得分乘以一个大常数（比如10000），然后将中心性得分再次标准化，相加为1；得到的向量仍然满足特征向量中心性方程。因此，您应该只计算连通图的特征向量中心。如果图形中有多个分量，请先将其分解为连接的分量，然后计算并比较各个分量的特征向量中心。

谢谢！当我比较以下类型的图时，我想知道这在理论上是如何工作的？A型：无大分量，主要是二元数和一些三元数。B型：非常大的最大组件，一些二元和三元。哪一个网络的图级特征向量中心性得分最高（如果有的话）？（我可能误解了你之前的评论）我的观点是，对于一个图，不存在“唯一”的特征向量中心性向量，因为如果向量v满足特征向量中心性，那么k乘以v（其中k是一个任意常数）也满足它。这就是为什么人们通常将v标准化，使其坐标总和为1。当图形断开连接时，它会变得更加复杂，因为它足以乘以对应于相同连接组件的v坐标（其余部分保持其原始值），从而获得特征向量中心性方程的另一个解。因此，在您的特定情况下，如果我愿意，我可以使类型A具有最高的图形级特征向量中心性得分（通过选择它的连接组件，将特征向量中心性得分乘以足够大的数字，然后重新规范化整个特征向量中心性得分）-但如果我想使B型具有最大的特征向量中心性，我也可以对B的任何连通分量做同样的处理。关键是你应该只比较相同大小的连通网络的特征向量中心度的绝对值，这很有意义。非常感谢。