networkx计算节点度需区分有向/无向图：无向图g.degree()返回整数，有向图默认返回(in_degree,out_degree)元组，自环默认计入（无向+2、有向各+1），建议预先清理；批量计算推荐dict(g.degree())转dataframe，大数据量宜用生成器或nx.degree_histogram()。
NetworkX 计算节点度非常直接，但容易忽略有向图与无向图的语义差异、自环处理方式，以及度中心性（degree centrality）和原始度（degree）的区别。
用 degree() 获取节点度，注意图类型
无向图调用 G.degree() 返回每个节点的邻居数量；有向图默认返回 (in_degree, out_degree) 元组。若只想要出度，得显式调用 G.out_degree()，入度同理。
常见错误是把有向图当无向图用，比如在 Twitter 关注关系中误用 G.degree() 得到“总连接数”，实际掩盖了关注方向性——这会导致后续分析完全偏离真实传播逻辑。
- 无向图：直接
G.degree("user_a")→ 返回整数 - 有向图：用
G.out_degree("user_a")查谁被该用户关注，G.in_degree("user_a")查谁关注该用户 - 想统一处理？先确认
G.is_directed()，再分支调用
自环（self-loop）是否计入度？默认计入，但需确认业务含义
NetworkX 默认将自环计入度：一个自环在无向图中为该节点度 +2，在有向图中为 in_degree 和 out_degree 各 +1。但现实中，“用户关注自己”通常无意义，应提前清理。
示例：若数据含大量自环（如从 CSV 误导入），G.number_of_selfloops() 可快速检查，用 G.remove_edges_from(G.selfloop_edges()) 清除。
- 自环影响度分布尾部：可能让少数节点虚假地呈现“超高连接”
- 社区检测或 PageRank 等后续算法对自环更敏感，建议在度分析前统一处理
- 若业务上允许自环（如知识图谱中的“概念定义自身”），需在报告中明确标注统计口径
批量计算度并转为 Pandas DataFrame 便于分析
直接遍历 G.degree() 返回的视图效率低，且不带列名。推荐用 dict(G.degree()) 构造字典后转 pd.DataFrame，尤其适合筛选 Top-K 节点或画直方图。
import pandas as pd
deg_df = pd.DataFrame(list(G.degree()), columns=["node", "degree"]).set_index("node")
# 排序取头部
deg_df.sort_values("degree", ascending=False).head(10)
注意：若图很大（>10⁵ 节点），避免用 list(G.degree()) 全量加载，改用生成器逐批处理，或直接用 nx.degree_histogram(G) 快速看分布形态。
-
nx.degree_histogram(G)返回列表，索引是度值，值是该度的节点数，轻量高效 - 想加权重？用
G.degree(weight="weight")，前提是边已有weight属性 - 别直接对
deg_df["degree"]做 .mean() —— 零度节点（孤立点）是否纳入会影响均值解释力，先查G.number_of_isolates()
真正难的不是算度，而是判断“这个度值在当前网络里到底算高还是低”——需要结合网络规模、密度、度分布偏态程度一起看，单看一个数字容易误读。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
