NetworkX cd_index 时间依赖算法完全指南：度量专利引用网络中的技术变革动态

NetworkX cd_index 时间依赖算法完全指南：度量专利引用网络中的技术变革动态

【免费下载链接】networkxNetwork Analysis in Python项目地址: https://gitcode.com/gh_mirrors/ne/networkx

本指南深入讲解 NetworkX 提供的时间依赖（time dependent）算法——cd_index（CD 指数），它是衡量专利引用网络等时序有向网络中"技术整合/失稳"动态的核心指标。你将掌握该函数的参数语义、完整可运行示例、底层数学公式与源码实现细节，以及时间类型兼容性、闰年陷阱等实战注意事项，可直接用于专利分析、文献计量与演化网络研究。

CD index 是什么：从专利引用网络说起

CD index（Consolidating-Destabilizing index）由 Funk 与 Owen-Smith 于 2017 年提出（A dynamic network measure of technological change, Management Science 63(3): 791–817），用于回答一个经典问题：一项新技术（专利）的出现，是让既有技术领域趋于"整合"，还是走向"失稳"？

在 NetworkX 中，该算法以节点表示专利、有向边表示引用关系，通过观察聚焦专利（focal patent）的前驱（引用者）是否同时引用聚焦专利的后继（被聚焦专利引用的专利），来刻画该专利在知识网络中的位置动态。整个算法被封装在 time_dependent.py 模块中，并通过 time_dependent.rst 收录于官方 API 参考文档，同时在 算法索引 中注册。

使用前提：图类型与节点属性要求

cd_index对输入图有严格约束，全部体现在函数顶部的装饰器中（源码 L9-L11）：

@not_implemented_for("undirected") @not_implemented_for("multigraph") @nx._dispatchable(node_attrs={"time": None, "weight": 1}) def cd_index(G, node, time_delta, *, time="time", weight=None):

• 必须是有向图（DiGraph）：无向图会抛出NetworkXNotImplemented，因为"引用/前驱/后继"语义依赖方向；
• 不能是多重图（MultiGraph）：同样抛出NetworkXNotImplemented；
• 每个节点都必须携带time属性：否则抛出NetworkXError("Not all nodes have a 'time' attribute.")（见 源码 L113-L114）；
• 节点可选携带weight属性用于加权计算，缺失权重的节点按 1 处理。

@nx._dispatchable(node_attrs={"time": None, "weight": 1})是 NetworkX 的后端（backend）调度装饰器，声明time为节点属性、weight默认值为 1，允许第三方后端（如 graphblas 等）接管计算。

cd_index 函数签名与参数详解

函数签名（源码 L12）：

cd_index(G, node, time_delta, *, time="time", weight=None)

各参数语义如下表：

返回值是float，即目标节点的 CD index。值得注意的是，time_delta被加在目标节点的时间上构成一个"截止时间"（target date），只有time属性不大于该截止时间的前驱才会参与计算——这与许多固定窗口算法不同，窗口是"目标节点时间之后向后延伸time_delta"。

快速上手：完整可运行示例

使用 datetime 与 timedelta

以下示例直接取自函数 docstring（源码 L52-L70），构建了一个 5 个节点的引用网络，计算节点 3 的 CD index：

from datetime import datetime, timedelta import networkx as nx G = nx.DiGraph() nodes = { 1: {"time": datetime(2015, 1, 1)}, 2: {"time": datetime(2012, 1, 1), "weight": 4}, 3: {"time": datetime(2010, 1, 1)}, 4: {"time": datetime(2008, 1, 1)}, 5: {"time": datetime(2014, 1, 1)}, } G.add_nodes_from([(n, nodes[n]) for n in nodes]) edges = [(1, 3), (1, 4), (2, 3), (3, 4), (3, 5)] G.add_edges_from(edges) delta = timedelta(days=5 * 365) # 未加权：前驱为 1 和 2 nx.cd_index(G, 3, time_delta=delta, time="time") # 输出: 0.5 # 加权：节点 2 的 weight 属性参与计算 nx.cd_index(G, 3, time_delta=delta, time="time", weight="weight") # 输出: 0.12

使用整数时间戳

time属性不必是日期对象，任何支持加法和比较运算的类型都可以，整数年份是最推荐的用法（原因见下文闰年陷阱）：

node_times = {1: 2015, 2: 2012, 3: 2010, 4: 2008, 5: 2014} nx.set_node_attributes(G, node_times, "new_time") nx.cd_index(G, 3, time_delta=4, time="new_time") # 输出: 0.5 nx.cd_index(G, 3, time_delta=4, time="new_time", weight="weight") # 输出: 0.12

算法原理：公式与源码逐行剖析

数学定义

CD index 的数学定义（见 docstring Notes）：

$$ CD_{t}=\frac{1}{n_{t}}\sum_{i=1}^{n}\frac{-2f_{it}b_{it}+f_{it}}{w_{it}} $$

其中：

• $f_{it}$ = 1 表示专利 $i$ 引用了聚焦专利，否则为 0；
• $b_{it}$ = 1 表示专利 $i$ 同时引用了聚焦专利的任一后继，否则为 0；
• $n_t$ 是聚焦专利的"前驱与前驱的后继前驱"并集大小；
• $w_{it}$ 是专利 $i$ 在时刻 $t$ 的权重矩阵。

直观理解：当前驱（引用者）不指向聚焦专利的后继时，贡献正值（失稳方向）；当前驱同时引用后继、把技术路径"串"起来时，贡献负值（整合方向）。

前驱筛选（源码 L116-L125）

try: target_date = G.nodes[node][time] + time_delta pred = {i for i in G.pred[node] if G.nodes[i][time] <= target_date} except: raise nx.NetworkXError( "Addition and comparison are not supported between 'time_delta' " "and 'time' types." )

关键点：G.pred[node]给出目标节点的所有前驱；只有time <= 目标节点时间 + time_delta的前驱被保留。try/except把类型不兼容（例如datetime时间配上数值型time_delta）统一转换为NetworkXError。

b 值与 n 的计算（源码 L128-L133）

# -1 if any edge between node's predecessors and node's successors, else 1 b = [-1 if any(j in G[i] for j in G[node]) else 1 for i in pred] # n is size of the union of the focal node's predecessors and its successors' predecessors n = len(pred.union(*(G.pred[s].keys() - {node} for s in G[node]))) if n == 0: raise nx.NetworkXError("The cd index cannot be defined.")

• b 值：对每个前驱 $i$，若它指向目标节点的任意后继（$i \to s$ 存在，$s \in G[node]$），则 $b=-1$（整合信号），否则 $b=1$（失稳信号）；
• n 值：目标节点前驱集合与其所有后继的前驱集合（排除目标节点自身）的并集大小，作为归一化分母；若为 0（孤立的目标节点场景），CD index 无法定义，抛出NetworkXError。

加权与未加权计算（源码 L136-L142）

if weight is None: return round(sum(bi for bi in b) / n, 2) else: weights = [G.nodes[i].get(weight, 1) for i in pred] return round(sum(bi / wt for bi, wt in zip(b, weights)) / n, 2)

• 未加权：直接对 b 求和除以 n，结果四舍五入保留两位小数（round(..., 2)）；
• 加权：每个前驱的权重从节点属性读取，缺失权重的节点默认按 1 计（G.nodes[i].get(weight, 1)），然后逐项计算 $b_i / w_i$ 再求和归一化。

时间类型兼容性与闰年陷阱

docstring 中有一条非常重要的实战警告（源码 L97-L103）：datetime.timedelta存在闰年导致的 off-by-one 问题。

timedelta(days=5 * 365) # 看似 5 年，实际因闰年不足 5 年

在示例中，timedelta(days=5 * 365)与timedelta(days=4 * 365)得到相同结果，因为 2010 → 2015 之间存在闰日导致天数不足；而timedelta(days=5 * 365 + 1)对这组特定年份恰好构成 5 年窗口，但如果 5 年跨度内存在多于 1 个闰年则仍会偏差。官方建议：

• 优先使用整数表示年份（如time=2010, time_delta=4），完全规避闰年问题；
• 若必须使用datetime/timedelta，转换时间单位时要格外小心。

异常处理：什么时候会报错

综合 函数 docstring 与源码，cd_index可能抛出以下异常：

边界情形与测试验证

test_time_dependent.py 中的TestCdIndex类为上述行为提供了 11 个回归测试用例，覆盖：

• 常规图（未加权/自定义属性名/整数/浮点时间）：节点 4 的 CD index 均为0.17（L15-L153）；
• 加权图：同一拓扑下weight="weight"时结果为0.04（L155-L187）；
• 无前驱：返回0.0（L189-L220）；
• 无后继：返回1.0（L222-L253），此时所有前驱 b 值均为 1，达到失稳上限；
• n 等于 0：断言抛出NetworkXError("The cd index cannot be defined.")（L255-L287）；
• 时间类型不兼容：整数time配上timedelta断言抛出类型错误（L289-L322）；
• 节点缺失 time 属性：断言抛出NetworkXError（L324-L358）；
• 极限语义：test_maximally_consolidating构造全整合拓扑断言结果为-1，test_maximally_destabilizing构造全失稳拓扑断言结果为1（L360-L431），验证了 CD index 的取值范围边界 $[-1, 1]$。

在 NetworkX 中的注册与后端调度

cd_index通过 algorithms/init.py L56 的from networkx.algorithms.time_dependent import *暴露为顶层 API，因此可以直接以nx.cd_index(...)调用；__all__ = ["cd_index"]（源码 L6）限定该模块只导出这一个函数。文档层面，time_dependent.rst 通过automodule+autosummary自动生成 API 参考页，并在 doc/reference/algorithms/index.rst 的算法目录中占据独立条目。

总结

cd_index是 NetworkX 时间依赖算法族中目前唯一的成员，它把 Funk–Owen-Smith 的 CD index 数学模型封装为一行nx.cd_index(G, node, time_delta)调用，适用于专利引用、论文引用等带时间戳的有向引用网络。使用时牢记三条铁律：有向图且非多重图、所有节点具备time属性、time_delta与time类型必须可加可比；涉及年份换算时优先使用整数时间以规避闰年偏差。结合 源码 与 测试 阅读，即可将其无缝集成到你的时序网络分析流程中。

【免费下载链接】networkxNetwork Analysis in Python项目地址: https://gitcode.com/gh_mirrors/ne/networkx