基于网络中边的介数的社区结构。

其思路是，连接两个社区的边的介数通常很高，因为分离社区中节点之间的许多最短路径都经过它们。 因此，我们逐渐删除介数最高的边，并在每次删除后重新计算介数。 这样，网络迟早会分解成独立的组件。 聚类的结果将由树状图表示。

基于模块化贪婪优化的社区结构。

该算法以贪婪地最大化图的模块度分数的方式将各个节点合并到社区中。 可以证明，如果没有合并可以增加当前的模块度分数，则可以停止该算法，因为无法实现进一步的增加。

据说此算法在稀疏图上几乎以线性时间运行。

根据 Martin Rosvall 和 Carl T. Bergstrom 的 Infomap 方法查找网络的社区结构。

根据 Raghavan 等人的标签传播方法查找图的社区结构。

最初，每个顶点都被分配一个不同的标签。 之后，每个顶点在每次迭代中选择其邻域中的主要标签。 平局随机打破，并且每次迭代之前，顶点更新的顺序都会被随机化。 当顶点达成共识时，算法结束。

请注意，由于平局是随机打破的，因此不能保证算法每次运行后都返回相同的社区结构。 事实上，它们经常不同。 请参阅 Raghavan 等人的论文，了解如何提出聚合的社区结构。

另请注意，社区_标签_（数字）没有语义意义，igraph 可以自由地重新编号社区。 如果你使用固定标签，igraph 仍然可以重新编号社区，但是共社区成员资格约束将被遵守：如果你有两个带有固定标签的顶点属于同一个社区，它们仍然会在最后处于同一个社区。 类似地，如果你有两个带有固定标签的顶点属于不同的社区，它们仍然会在最后处于不同的社区。

纽曼的领先特征向量法，用于检测社区结构。

这是递归、分裂算法的正确实现：每次拆分都是通过最大化关于原始网络的模块性来完成的。

纽曼特征向量社区结构检测的朴素实现。

此函数根据模块度矩阵的 leading 特征向量将网络分成两个组件，然后通过将社区拆分为单个网络来递归地执行给定的步数。 然而，这不是正确的方法，请参阅参考资料中的解释。 考虑使用正确的 Graph.community_leading_eigenvector 方法。

使用 Traag、van Eck 和 Waltman 的 Leiden 算法查找图的社区结构。

基于 Blondel 等人的多层算法的社区结构。

这是一种自下而上的算法：最初，每个顶点都属于一个单独的社区，并且顶点以最大化顶点对整体模块度分数的局部贡献的方式在社区之间迭代移动。 当达成共识时（即，没有一次移动会增加模块度分数），原始图中的每个社区都缩小到单个顶点（同时保持相邻边的总权重），并且该过程在下一层继续。 当在将社区缩小到顶点后不再可能增加模块度时，该算法停止。

据说此算法在稀疏图上几乎以线性时间运行。

计算图的最佳模块化分数和相应的社区结构。

此函数使用 GNU 线性规划工具包来解决大型整数优化问题，以便找到最佳模块度分数和相应的社区结构，因此它不太可能适用于大于几个（小于一百个）顶点的图。 如果你有这么大的图，请考虑使用一种启发式方法。

根据 Reichardt & Bornholdt 的自旋玻璃社区检测方法查找图的社区结构。

Latapy & Pons 的社区检测算法，基于随机游走。

该算法的基本思想是，短随机游走往往会停留在同一个社群中。聚类的结果将表示为树状图。

返回图的一些 k 核。

该方法接受任意数量的参数，这些参数表示要返回的 k-cores 的所需索引。 参数也可以是列表或元组。 如果仅给出一个整数参数，则结果是单个 Graph 对象，否则结果是 Graph 对象的列表，这些对象表示按指定参数顺序排列的所需 k-cores。 如果没有给出任何参数，则按 k 的递增顺序返回所有 k-cores。

计算图相对于给定聚类的模块化分数。

图的模块度 w.r.t. 一些划分衡量了划分的好坏，或者不同顶点类型彼此分离的程度。 它被定义为 Q = 1 ⁄ (2m)*sum(Aij − ki*kj ⁄ (2m)delta(ci, cj), i, j)。 m 是边的数量，Aij 是第 A 个邻接矩阵中第 i 行和第 j 列的元素，ki 是节点 i 的度，kj 是节点 j 的度，并且 Ci 和cj是两个顶点的类型（i 和 j）。 delta(x, y) 在 x = y 时为 1，否则为 0。

如果给出了边权重，则模块度的定义修改如下：Aij 变为相应边的权重，ki 是与顶点 i 相邻的边的总权重，kj 是与顶点 j 相邻的边的总权重，并且 m 是图中的总边权重。