某跆拳道俱乐部数据由34个节点组成,由于管理上的分歧,俱乐部要分解成两个社团。

?

import networkx as nx
import matplotlib.pyplot as plt

# 创建一个图表示跆拳道俱乐部的网络
G = nx.Graph()

# 添加34个节点，表示俱乐部的成员或其他相关实体
nodes = list(range(1, 35))
G.add_nodes_from(nodes)

# 添加边表示成员之间的关系
# 这里仅是示例，你可能需要根据实际情况构建更具体的网络结构
# 比如通过读取俱乐部成员之间的连接关系数据
edges = [(1, 2), (2, 3), (3, 4), (4, 5), (5, 1), (6, 7), (7, 8), (8, 9), (9, 6)]
G.add_edges_from(edges)

# 使用 Louvain 方法进行社团发现
communities = nx.algorithms.community.greedy_modularity_communities(G)

# 将结果可视化
pos = nx.spring_layout(G)
colors = range(len(communities))
nx.draw(G, pos, node_color='#A0CBE2', cmap=plt.cm.Blues, with_labels=True, font_weight='bold')
plt.show()

# 输出社团划分结果
for i, community in enumerate(communities):
    print(f"社团 {i + 1}: {list(community)}")

import networkx as nx
import matplotlib.pyplot as plt

# 创建一个图表示跆拳道俱乐部的网络
G = nx.Graph()

# 添加34个节点，表示俱乐部的成员或其他相关实体
nodes = list(range(1, 35))
G.add_nodes_from(nodes)

# 添加边表示成员之间的关系
# 这里仅是示例，你可能需要根据实际情况构建更具体的网络结构
# 比如通过读取俱乐部成员之间的连接关系数据
edges = [(1, 2), (2, 3), (3, 4), (4, 5), (5, 1), (6, 7), (7, 8), (8, 9), (9, 6)]
G.add_edges_from(edges)

# 使用 Louvain 方法进行社团发现
communities = nx.algorithms.community.greedy_modularity_communities(G)

# 将结果可视化
pos = nx.spring_layout(G)
colors = range(len(communities))
nx.draw(G, pos, node_color='#A0CBE2', cmap=plt.cm.Blues, with_labels=True, font_weight='bold')
plt.show()

# 输出社团划分结果
for i, community in enumerate(communities):
? ? print(f"社团 {i + 1}: {list(community)}")
?