节点与网络中其他节点的交互都是通过其邻居节点来 进行的，因此节点的邻居越多，意味着该节点能够 向外传递的信息越多，从网络外部接受信息也越容易。 有向网络中，又可以定义出度中心度、入度中心度。
社区发现是根据网络中的边的连接模式，把网络顶点划分为群组。将网络顶点划分为群组后最常见的属性是，同一群组内部的顶点之间紧密连 接，而不同群组之间只有少数边连接。社团发现的目的是就要找到网络内部不同群组之间的自然分割线。简而言之，它是一个把网络自然划分为顶点群组的问题，从而使得群组内有 许多边，而群组之间几乎没有边。然而，“许多”和“几乎没有”到底是多少， 这个问题值得商榷，为此提出了多种不同的定义，从而产生了不同的社团发 现算法8基于层次聚类的算法。
第一阶段：称为modularity optimization，主要是将每个节点划 分到与其邻接的节点所在的社区中，以使得模块度的 值不断变大； 第二阶段：称为munity Aggregation，主要是将第一步划分 出来的社区聚合成为一个点，即根据上一步生成的社 区结构重新构造网络。重复以上的过程，直到网络中 的结构不再改变为止。步骤：1.初始化，将每个点划分在不同的社区中； 2.对每个节点，将每个点尝试划分到与其邻接的点所在的社区中，计算此时 的模块度，判断划分前后的模块度的差值Δq是否为正数，若为正数， 则接受本次的划分，若不为正数，则放弃本次的划分； 3.重复以上的过程，直到不能再增大模块度为止； 4.构造新图，新图中的每个点代表的是步骤3中划出来的每个社区，继续执 行步骤2和步骤3，直到社区的结构不再改变为止。 ！在2中计算节点的顺序对模块度的计算是没有影响的，而是对计算时间有影响。
数据缺失的原因数据采集过程可能会造成数据缺失；数据通过网络等渠道进行传输时也可能出现数据丢失或出错，从而造成 数据缺失；在数据整合过程中也可能引入缺失值删除法删除法通过删除包含缺失值的数据，来得到一个完整的数据子集. 数据的 删除既可以从样本的角度进行，也可以从特征的角度进行。 删除特征：当某个特征缺失值较多，且该特征对数据分析的目标影响 不大时， 可以将该特征删除 删除样本：删除存在数据缺失的样本。 该方法适合某些样本有多个特征存在缺失值，且存在缺失值的样本占 整个数据集样本数量的比例不高的情形 缺点：它以减少数据来换取信息的完整，丢失了大量隐藏在这些被删除数据 中的信息；在一些实际场景下数据的采集成本高且缺失值无法避免，删除法可 能会造成大量的资源浪费均值填补计算该特征中非缺失值的平均值（数值型特征）或众数（非数值型特 征），然后使用平均值或众数来代替缺失值缺点一：均值填补法会使得数据过分集中在平均值或众数上，导致特征 的方差被低估 缺点二：由于完全忽略特征之间的相关性，均值填补法会大大弱化特征 之间的相关性随机填补随机填补是在均值填补的基础上加上随机项，通过增加缺失值的随机性 来改善缺失值分布过于集中的缺陷。
等距离散化（Equal-width discretization）：将数据划分为等宽间隔的区间，这种方法需要先确定区间的个数n，再根据最小值min和最大值max计算出每个区间的间隔长度（max-min）\/n，相邻两个区间的宽度都是相同的。等频率离散化（Equal-Frequency discretization）：将数据划分为相同的数量级别，每个区间包含的记录数相等。这种方法首先将数据按照大小排序，然后将排序后的数据分成n等份，每份个数为数据总数\/n，在每个区间的边界处划分数据。基于聚类的离散化：将数据分成若干个簇，簇内的数据相似度高，簇间数据相似度低。具体实现时可以使用聚类算法如k-means、dbScAN等。自适应离散化：通过迭代的方式，不断根据数据的特性调整区间的边界，以达到最优的离散化效果。下面分别以等距离散化、等频率离散化、基于聚类的离散化和自适应离散化为例子，分别列出具体的例题：等距离散化假设我们有一个包含1000个学生身高数据的数据集，我们想将身高离散化成10个等宽的区间，以下是离散化方法：计算身高的最小值和最大值，假设最小值为140cm，最大值为200cm。计算每个区间的宽度，假设共10个区间，每个区间的宽度为(200-140)\/10 = 6cm。根据每个学生的身高，将其分入相应的区间。等频率离散化假设我们有一个包含200家公司的财务数据的数据集，我们想将每个公司的营业收入离散化成5个等频率的区间，以下是离散化方法：将所有公司的营业收入升序排序。计算每个区间的数据数量，在本例中，因为共有200个公司，所以每个区间包含40个公司。找到每个区间的边界，比如第一个区间的最小值和第二个区间的最大值，这两个值之间的所有公司的营业收入都属于第一个区间。