第3章度中心性（Degree Centrality）

3. 度中心性：最直观的节点重要性指标

度中心性（Degree Centrality）是网络分析里最基础、最直观的一个指标。说白了，它就是看一个节点有多少个直接邻居。你想想看，在一个社交网络里，一个人认识的朋友越多，他的影响力通常就越大——这就是度中心性的核心思想。

我个人习惯把度中心性叫做“社交达人指标”。在我做过的项目中，这个指标虽然简单，但往往能快速定位出网络中的关键节点。比如分析公司内部的邮件网络，度中心性最高的那个人，通常就是跨部门沟通的枢纽。

3.1 定义与计算

度中心性的定义非常直接：一个节点的度，就是它直接相连的边的数量。在无向图中，度就是邻居节点的个数。

计算公式也很简单：

CD(v) = deg(v)

其中 deg(v) 就是节点 v 的度数。但这里有个问题——不同规模的网络，度数的绝对值没法直接比较。比如一个100人的网络里度数为50，和一个1000人的网络里度数为50，意义完全不同。

所以，我们通常会用标准化的度中心性：

CD_norm(v) = deg(v) / (n - 1)

n 是网络中的节点总数。这样算出来的值就在0到1之间，可以跨网络比较了。

重要提示：标准化后的度中心性，可以理解为“该节点实际连接的节点数 / 它最多能连接的节点数”。这个比值越接近1，说明该节点在网络中的覆盖范围越广。

3.2 有向图中的入度与出度

在有向图里，情况就变得有意思了。每个节点有两个度：入度和出度。

入度（In-Degree）：指向该节点的边的数量。说白了，就是有多少人“关注”了你。
出度（Out-Degree）：从该节点出发的边的数量。也就是你“关注”了多少人。

我记得有一次分析微博的转发网络，发现一个有趣的现象：入度高的节点往往是意见领袖，而出度高的节点更像是信息收集者。这两类节点在网络中扮演的角色完全不同。

有向图的度中心性计算也很直接：

CD_in(v) = indeg(v) / (n - 1)
CD_out(v) = outdeg(v) / (n - 1)

嗯，这里要注意：在有向图中，我们通常会把入度和出度分开分析，而不是简单加总。因为它们的业务含义差别太大了。

3.3 优缺点分析

度中心性虽然简单，但它的优缺点都很明显。我直接列个表，大家看得更清楚：

优点	缺点
计算简单，时间复杂度O(n)	只考虑局部信息，忽略全局结构
直观易懂，业务解释性强	无法区分“重要邻居”和“普通邻居”
适合大规模网络快速分析	在稀疏网络中区分度不高
有向图中可区分入度/出度	无法识别“桥接”节点（比如结构洞）

避坑指南：我曾经在一个项目里直接用度中心性找关键节点，结果发现排名靠前的都是些“刷量”的僵尸号。后来才意识到，度中心性只看数量不看质量。如果你的网络里有大量低质量连接，一定要先做数据清洗。

3.4 Python实现

好了，理论说完了，咱们直接上代码。我用的是 NetworkX 库，这是 Python 里最常用的网络分析工具。

import networkx as nx
import matplotlib.pyplot as plt

# 创建一个简单的无向图
G = nx.Graph()
G.add_edges_from([
    ('A', 'B'), ('A', 'C'), ('A', 'D'),
    ('B', 'C'), ('B', 'E'),
    ('C', 'D'), ('C', 'E'),
    ('D', 'E'), ('D', 'F'),
    ('E', 'F')
])

# 计算度中心性
degree_centrality = nx.degree_centrality(G)

print("节点度中心性（标准化后）：")
for node, centrality in sorted(degree_centrality.items(), key=lambda x: x[1], reverse=True):
    print(f"节点 {node}: {centrality:.3f}")

# 可视化
pos = nx.spring_layout(G, seed=42)
node_sizes = [degree_centrality[node] * 3000 + 500 for node in G.nodes()]
nx.draw(G, pos, with_labels=True, node_size=node_sizes, 
        node_color='lightblue', font_size=12, font_weight='bold')
plt.title("度中心性可视化（节点大小代表中心性值）")
plt.show()

运行这段代码，你会看到节点 A 和 C 的度中心性最高，因为它们都连接了4个节点（总共6个节点，标准化后是 4/5 = 0.8）。

对于有向图，代码稍微改一下：

# 创建一个有向图
DG = nx.DiGraph()
DG.add_edges_from([
    ('A', 'B'), ('A', 'C'),
    ('B', 'C'), ('B', 'D'),
    ('C', 'D'), ('D', 'A')
])

# 分别计算入度和出度中心性
in_centrality = nx.in_degree_centrality(DG)
out_centrality = nx.out_degree_centrality(DG)

print("入度中心性：")
for node, cent in sorted(in_centrality.items(), key=lambda x: x[1], reverse=True):
    print(f"节点 {node}: {cent:.3f}")

print("\n出度中心性：")
for node, cent in sorted(out_centrality.items(), key=lambda x: x[1], reverse=True):
    print(f"节点 {node}: {cent:.3f}")

小技巧：在实际项目中，我习惯把度中心性和其他指标（比如介数中心性、接近中心性）结合起来用。度中心性负责“广撒网”找候选节点，其他指标再做“精准打击”。这样效率高，结果也靠谱。

最后，我用一张图来总结度中心性的核心逻辑：

这张图很直观：节点 A 有4个直接邻居（B、C、D、E），总共有6个节点。所以它的度中心性就是 4/5 = 0.8。你想想看，如果这个网络代表一个团队，A 就是那个跟所有人都能说上话的人——这种人在团队里往往起着信息枢纽的作用。

好了，度中心性就讲到这里。它虽然简单，但千万别小看它。很多复杂的网络分析，第一步都是从度中心性开始的。掌握了这个基础，后面学介数中心性、特征向量中心性这些高级指标，就会轻松很多。

📚 课程目录

3. 度中心性：最直观的节点重要性指标

3.1 定义与计算

3.2 有向图中的入度与出度

3.3 优缺点分析

3.4 Python实现