NetworkX的algorithms.community模块提供了多种可直接调用的社区发现算法，
以下是当前版本（以NetworkX 2.8+为例）中主要的算法及其分类：
1. 非重叠社区检测算法
| 算法名称 | 函数/类 | 核心思想 |
|---|---|---|
| Girvan-Newman | girvan_newman() | 基于边介数中心性，逐步移除高介数边以分裂社区（层次聚类）。 |
| Louvain方法 | louvain_communities() | 模块度最大化，通过局部优化和聚合迭代（需安装python-louvain库）。 |
| 标签传播 (LPA) | label_propagation_communities() | 节点根据邻居标签动态更新自身标签，直至收敛（适合大规模网络）。 |
| 贪婪模块度优化 | greedy_modularity_communities() | 逐步合并社区使模块度增益最大，基于Newman的快速算法。 |
| Kernighan-Lin分割 | kernighan_lin_bisection() | 通过交换节点对优化分割质量，适用于二分图。 |
2. 重叠社区检测算法
| 算法名称 | 函数/类 | 核心特点 |
|---|---|---|
| k-Clique渗透 | k_clique_communities() | 通过共享k−1k−1节点的k-clique链定义社区（如用户所述）。 |
| Clique渗透 (CPM) | clique_communities() | 类似k-clique，但允许不同k值的clique扩展。 |
3. 其他辅助工具
| 功能 | 函数/类 | 用途 |
|---|---|---|
| 模块度计算 | modularity() | 评估社区划分质量。 |
| 社区结构生成器 | LFR_benchmark_graph() | 生成具有已知社区结构的测试网络（需安装networkx.generators.community）。 |
代码示例：调用不同算法
import networkx as nxfrom networkx.algorithms import communityG = nx.karate_club_graph() gn_communities = next(community.girvan_newman(G))print("Girvan-Newman社区:", gn_communities)louvain_coms = community.louvain_communities(G, resolution=1.0)print("Louvain社区:", louvain_coms)lpa_coms = list(community.label_propagation_communities(G))print("标签传播社区:", lpa_coms)k3_clique_coms = list(community.k_clique_communities(G, 3))print("k=3的Clique社区:", k3_clique_coms)注意事项
依赖库：部分算法（如Louvain）需要额外安装库（例如pip install python-louvain）。
返回值类型：不同算法返回结果形式不同（如生成器、列表、集合）。
适用场景：
- 稀疏图：标签传播、Louvain效率较高。小规模图：Girvan-Newman、k-clique适用。重叠社区：优先选择k-clique或Clique渗透。
