Si desea utilizar el modelo de configuración algo como esto debería funcionar en NetworkX:
import random
import networkx as nx
z=[int(random.gammavariate(alpha=9.0,beta=2.0)) for i in range(100)]
G=nx.configuration_model(z)
Es posible que tenga que ajustar la media de la secuencia z en función de los parámetros de la distribución gamma. También z no necesita ser gráfico (obtendrá un multigrafo), pero sí necesita una suma par, por lo que podría intentar algunas secuencias aleatorias (o agregar 1) ...
La documentación de NetworkX notas para configuration_model dar otro ejemplo, una referencia y cómo eliminar bordes paralelos y auto bucles:
Notes
-----
As described by Newman [1]_.
A non-graphical degree sequence (not realizable by some simple
graph) is allowed since this function returns graphs with self
loops and parallel edges. An exception is raised if the degree
sequence does not have an even sum.
This configuration model construction process can lead to
duplicate edges and loops. You can remove the self-loops and
parallel edges (see below) which will likely result in a graph
that doesn't have the exact degree sequence specified. This
"finite-size effect" decreases as the size of the graph increases.
References
----------
.. [1] M.E.J. Newman, "The structure and function
of complex networks", SIAM REVIEW 45-2, pp 167-256, 2003.
Examples
--------
>>> from networkx.utils import powerlaw_sequence
>>> z=nx.create_degree_sequence(100,powerlaw_sequence)
>>> G=nx.configuration_model(z)
To remove parallel edges:
>>> G=nx.Graph(G)
To remove self loops:
>>> G.remove_edges_from(G.selfloop_edges())
Este es un ejemplo similar a la de http://networkx.lanl.gov/examples/drawing/degree_histogram.html que hace un dibujo que incluye una disposición gráfica de la componente conectado más grande:
#!/usr/bin/env python
import random
import matplotlib.pyplot as plt
import networkx as nx
def seq(n):
return [random.gammavariate(alpha=2.0,beta=1.0) for i in range(100)]
z=nx.create_degree_sequence(100,seq)
nx.is_valid_degree_sequence(z)
G=nx.configuration_model(z) # configuration model
degree_sequence=sorted(nx.degree(G).values(),reverse=True) # degree sequence
print "Degree sequence", degree_sequence
dmax=max(degree_sequence)
plt.hist(degree_sequence,bins=dmax)
plt.title("Degree histogram")
plt.ylabel("count")
plt.xlabel("degree")
# draw graph in inset
plt.axes([0.45,0.45,0.45,0.45])
Gcc=nx.connected_component_subgraphs(G)[0]
pos=nx.spring_layout(Gcc)
plt.axis('off')
nx.draw_networkx_nodes(Gcc,pos,node_size=20)
nx.draw_networkx_edges(Gcc,pos,alpha=0.4)
plt.savefig("degree_histogram.png")
plt.show()
@Aric: Gracias. Entiendo por qué necesita una suma parecida, pero ¿puede explicar por qué un multigraph hará? Desde mi punto de vista, multigraph permite auto-bucles y múltiples bordes de un nodo, así que estoy un poco confundido. – Legend
@Aric: Puedo entender que en un multigrafo, se pueden fusionar varios bordes para formar un solo borde y se borran los bucles, pero ¿esto dará lugar a un gráfico simple? Estoy preguntando esto porque intenté establecer 'z = [3,2,2,1]' para generar un gráfico simple con estos grados, pero en cambio obtuve un gráfico con '1 2 2 1' grados. – Legend
Tiene razón en que los multigrafos pueden tener bucles automáticos y bordes paralelos. – Aric