使用Neo4j图数据科学库(GDS)实现中心度分析
407 个字
2 分钟
使用Neo4j图数据科学库(GDS)实现中心度分析
安装并加载GDS库
确保已安装并启用GDS插件。若未安装,需从Neo4j官网下载对应版本。
创建图投影
在 GDS 中创建内存中的图投影:
CALL gds.graph.project( 'nodeGraph', // 图名称 'Node', // 节点标签 'NEIGHBOR', // 关系类型 { nodeProperties: ['degree'], // 需要加载的节点属性 relationshipProperties: {} // 关系属性(可选) });运行度中心性算法并写入属性
使用gds.degree.write方法计算每个节点的度(可指定入度、出度或总度数),并将结果存储为节点属性degree:
CALL gds.degree.write('nodeGraph', { writeProperty: 'degree', // 写入的属性名 orientation: 'UNDIRECTED' // 方向:UNDIRECTED(总度数)、NATURAL(出度)、REVERSE(入度)})YIELD nodePropertiesWritten计算中心性指标
1. PageRank
CALL gds.pageRank.write('nodeGraph', { maxIterations: 20, dampingFactor: 0.85, writeProperty: 'pagerank'});2. 度中心性 (Degree Centrality)
CALL gds.degree.write('nodeGraph', { writeProperty: 'degree_centrality'});3. 亲密中心性 (Closeness Centrality)
CALL gds.closeness.write('nodeGraph', { writeProperty: 'closeness_centrality'});4. 介数中心性 (Betweenness Centrality)
CALL gds.betweenness.write('nodeGraph', { writeProperty: 'betweenness_centrality'});查询结果
MATCH (n:Node)RETURN n.address AS Address, n.pagerank AS PageRank, n.degree_centrality AS DegreeCentrality, n.closeness_centrality AS ClosenessCentrality, n.betweenness_centrality AS BetweennessCentralityORDER BY PageRank DESC;╒═════════════╤═══════════════════╤════════════════╤═══════════════════╤═════════════════════╕│Address │PageRank │DegreeCentrality│ClosenessCentrality│BetweennessCentrality│╞═════════════╪═══════════════════╪════════════════╪═══════════════════╪═════════════════════╡│"10.104.0.73"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.105.0.71"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.105.0.72"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.101.0.73"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.103.0.71"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.101.0.71"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.107.0.73"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.108.0.73"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.107.0.71"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.103.0.73"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.106.0.71"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.101.0.72"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.104.0.71"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.109.0.72"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.109.0.73"│0.17143947585331437│0.0 │1.0 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.103.0.72"│0.16639351504031516│0.0 │0.8 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.102.0.73"│0.16639351504031516│0.0 │0.8 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.102.0.71"│0.16639351504031516│0.0 │0.8 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.107.0.72"│0.16638840173142871│0.0 │0.8 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.106.0.73"│0.16638840173142871│0.0 │0.8 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.100.0.72"│0.16638840173142871│28.0 │1.0 │6.833333333333333 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.104.0.73"│0.16620703459522992│27.0 │1.0 │4.166666666666666 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.102.0.72"│0.16620703459522992│0.0 │0.8 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.109.0.71"│0.16532947619296923│0.0 │0.8 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.100.0.72"│0.16532947619296923│23.0 │1.0 │2.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.105.0.73"│0.16532947619296923│0.0 │0.8 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.108.0.71"│0.16532947619296923│0.0 │0.8 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.104.0.72"│0.16532947619296923│0.0 │0.8 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.100.0.74"│0.16028351537997002│27.0 │0.75 │2.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.106.0.72"│0.16009703493488484│0.0 │0.6666666666666666 │0.0 │├─────────────┼───────────────────┼────────────────┼───────────────────┼─────────────────────┤│"10.108.0.72"│0.16009703493488484│0.0 │0.6666666666666666 │0.0 │└─────────────┴───────────────────┴────────────────┴───────────────────┴─────────────────────┘分享到社交平台
将本文分享给你的朋友们
使用Neo4j图数据科学库(GDS)实现中心度分析
https://zhongye1.github.io/posts/2025/使用neo4j图数据科学库gds进行中心度分析/ 相关文章 智能推荐
1
分布式处理与计算:数据降维
笔记 PCA 两个等价视角推导、Lasso 正则化与 L1 稀疏性原理
2
分布式处理与计算:聚类分析
笔记 常用距离度量、层次聚类与 K-Means 算法
3
分布式处理与计算:数值优化方法
笔记 大O小o符号、牛顿迭代法与收敛性理论基础
4
分布式处理与计算:分类与回归分析
笔记 线性回归最小二乘估计、逻辑回归与广义线性模型
5
分布式处理与计算:随机模拟和统计推断
笔记 逆分布法、拒绝接受法、EM 算法与分布式参数估计
随机文章 随便看看
Zhongye