度分布

一、直观理解：每个点有多少条边，整体怎么分布

点的度 $k_i$ 是与 $i$ 相连的边数（有向图分出度、入度）。把全部点的度做成直方图或频率分布 $P(k)$，就是度分布。

它回答：

• 网络是“大家差不多”（均匀），还是“少数超级中心 + 大量末梢”（异质）？
• 随机打乱边后，这种分布是否仍常见？

经典参照：

• Erdős–Rényi 随机图：度近似泊松，集中在均值附近；
• 无标度网络：$P(k)\sim k^{-\gamma}$，重尾，存在枢纽（hub）。

度分布是复杂网络的“体检第一项”，后续中心性、传播、鲁棒性解释常从它出发。

二、适用场景与优缺点

类型	说明
适用场景	社交、交通、引用、电力、生物网络的结构描述；对比模型（ER/WS/BA）；识别枢纽节点。
核心优点	计算简单；图示直观；与传播阈值、随机攻击/蓄意攻击鲁棒性密切相关。
局限与缺点	只含一度信息，忽略高阶结构；重尾拟合对 binning 敏感；度高≠信息控制力一定最强（还看位置）。

三、核心原理

无向图：

$$k_i=\sum_j A_{ij},\quad P(k)=\frac{1}{n}\#\{i:k_i=k\}$$

平均度 $\langle k\rangle=2m/n$（无向）。

有向图分别统计 $P(k^{\mathrm{in}}),P(k^{\mathrm{out}})$。

重尾检验（谨慎）：

• log–log 直方图或互补累积分布 CCDF；
• 幂律拟合应用严谨统计（如 Clauset 方法），避免“看起来直就是幂律”。

模型对照：

• ER：$G(n,p)$，$\langle k\rangle=p(n-1)$；
• BA 优先连接：生成近似幂律。

四、关键决策

1. 用 PDF 还是 CCDF

重尾用 CCDF 更稳。

2. 是否加权/多重边

加权看强度 $s_i=\sum_j w_{ij}$；简单图先去重。

3. 与同配性

度度相关：高度点是否互相连接，影响模块与传播。

4. 报告

直方图 + 均值/方差/最大度 + 与 ER 对照。

五、MATLAB 示例

rng(28);
% 构造一个优先连接风格的网络（简化 BA）
n = 200; m0 = 3; m = 2;
A = zeros(n);
% 初始完全图 m0
A(1:m0,1:m0)=1; A(1:m0+1:m0^2)=0;
for v = m0+1:n
    deg = sum(A(1:v-1,1:v-1),2);
    if sum(deg)==0, pr = ones(v-1,1)/(v-1);
    else, pr = deg/sum(deg); end
    % 抽 m 个邻居
    targets = zeros(m,1);
    for t = 1:m
        r = rand; c = cumsum(pr);
        targets(t) = find(r<=c,1,"first");
        pr(targets(t)) = 0; pr = pr/max(sum(pr),eps);
    end
    A(v,targets)=1; A(targets,v)=1;
end
G = graph(A);
d = degree(G);

figure;
subplot(1,2,1);
histogram(d, "BinMethod","integers", "Normalization","probability");
xlabel("k"); ylabel("P(k)"); title("度分布");
subplot(1,2,2);
[kk,~,ic] = unique(d);
cnt = accumarray(ic,1)/n;
ccdf = 1 - cumsum(cnt)/sum(cnt) + cnt/sum(cnt);
loglog(kk, ccdf, "o"); grid on;
xlabel("k"); ylabel("CCDF"); title("度 CCDF");

fprintf("n=%d, m=%d, <k>=%.2f, kmax=%d\n", n, numedges(G), mean(d), max(d));

% ER 对照
p = mean(d)/(n-1);
GER = random_graph_er(n, p);
dER = degree(GER);
fprintf("ER 对照 <k>=%.2f, kmax=%d\n", mean(dER), max(dER));

function G = random_graph_er(n, p)
    R = triu(rand(n) < p, 1);
    A = R + R';
    G = graph(A);
end

六、如何解释结果

1. 网络含义与是否有向/加权；
2. 平均度、密度、最大度点是谁；
3. 分布形态（均匀/泊松样/重尾）；
4. 与随机图对照；
5. 对传播或鲁棒性的含义；
6. 避免过度宣称“无标度”除非做了严谨拟合。

七、常见误区

1. 对数坐标“看起来直”就断定幂律

需要统计检验。

2. 把度分布当网络的全部

聚类、社区、路径长度同样关键。

3. 有向图只报一个度

应分入/出度。

4. 含自环重边未清洗

度量被污染。

八、小结

度分布的核心是：

统计节点连接数的整体规律，识别均匀或异质结构。

它是复杂网络描述的起点。与 CCDF、随机对照和业务含义结合，才能从“一张直方图”变成有建模价值的结构结论。