问快速计算特征向量中心性在网络中花费的时间太长了

EN

通过查看源代码，networkx.algorithms.centrality.eigenvector使用幂方法来查找领先的特征向量。

如果你坚持使用networkx ，就像Joel注意到的那样使用它：

numpy

centrality = nx.eigenvector_centrality_numpy(G)

Alternatively:

您可以使用使用ARPACK的scipy.sparse.linalg.eigs，并且只请求返回一个特征向量。

玩具例子：

import scipy.sparse as sparse

X = np.array() # dimensions 200000 by 200000 as the adjacency
# Note: k=1 and you request the Largest real.
vals, vecs = sparse.linalg.eigs(X, k=1, which='LR')

在任何情况下，2000000乘200000是大的，根据稀疏性和矩阵的性质，该算法可能需要很长时间。您还需要大量的CPU和RAM。

关于networkx.algorithms.centrality.eigenvector**:**的附加提示

如果您坚持使用networkx，请尝试放松容忍：

eigenvector_centrality(G, max_iter=100, tol=1e-06, nstart=None, weight=None)

尝试设置tol=1e-04甚至tol=1e-03

尝试使用numpy。从文件中：

该算法利用SciPy稀疏特征值求解器(ARPACK)寻找最大特征值/特征向量对。

因此，这将进行serafeim的计算，只需进行一点点额外的处理。