计算（假定为稀疏）图的选定特征值和特征向量。
用法
spectrum(
graph,
algorithm = c("arpack", "auto", "lapack", "comp_auto", "comp_lapack", "comp_arpack"),
which = list(),
options = arpack_defaults()
)参数
- graph
输入图，可以是有向图或无向图。
- algorithm
要使用的算法。目前只实现了
arpack，它使用 ARPACK 求解器。另请参见arpack()。- which
一个列表，用于指定要计算哪些特征值和特征向量。默认情况下，计算主（即最大幅度）特征值和相应的特征向量。
- options
ARPACK 求解器的选项。请参见
arpack_defaults()。
值
取决于所使用的算法。
对于 arpack，返回一个包含三个条目的列表
- options
有关完整说明，请参见
arpack()的返回值。- values
数值向量，特征值。
- vectors
数值矩阵，特征向量作为列。
详细信息
which 参数是一个列表，它指定要计算哪些特征值和相应的特征向量：有八个选项
具有最大幅度的特征值。将
pos设置为LM，将howmany设置为您想要的特征值的数量。具有最小幅度的特征值。将
pos设置为SM，将howmany设置为您想要的特征值的数量。最大特征值。将
pos设置为LA，将howmany设置为您想要的特征值的数量。最小特征值。将
pos设置为SA，将howmany设置为您想要的特征值的数量。来自频谱两端的特征值。将
pos设置为BE，将howmany设置为您想要的特征值的数量。如果howmany是奇数，则从较大端返回一个额外的特征值。选定的特征值。目前尚未实现。
区间中的特征值。目前尚未实现。
所有特征值。尚未实现。无论如何，标准
eigen函数在这方面做得更好。
请注意，对于具有多个组件的图，例如具有孤立顶点的图，ARPACK 可能不稳定。
参见
as_adjacency_matrix() 用于创建（稀疏）邻接矩阵。
中心性度量 alpha_centrality()、authority_score()、betweenness()、closeness()、diversity()、eigen_centrality()、harmonic_centrality()、hits_scores()、page_rank()、power_centrality()、strength()、subgraph_centrality()
作者
Gabor Csardi csardi.gabor@gmail.com
示例
## Small example graph, leading eigenvector by default
kite <- make_graph("Krackhardt_kite")
spectrum(kite)[c("values", "vectors")]
#> $values
#> [1] 4.306404
#>
#> $vectors
#> [,1]
#> [1,] -0.35220940
#> [2,] -0.35220940
#> [3,] -0.28583499
#> [4,] -0.48102086
#> [5,] -0.28583499
#> [6,] -0.39769064
#> [7,] -0.39769064
#> [8,] -0.19586058
#> [9,] -0.04807349
#> [10,] -0.01116326
#>
## Double check
eigen(as_adjacency_matrix(kite, sparse = FALSE))$vectors[, 1]
#> [1] -0.35220940 -0.35220940 -0.28583499 -0.48102086 -0.28583499 -0.39769064
#> [7] -0.39769064 -0.19586058 -0.04807349 -0.01116326
## Should be the same as 'eigen_centrality' (but rescaled)
cor(eigen_centrality(kite)$vector, spectrum(kite)$vectors)
#> [,1]
#> [1,] -1
## Smallest eigenvalues
spectrum(kite, which = list(pos = "SM", howmany = 2))$values
#> [1] -0.4043420 0.6403647