NetworkX无统一“核心节点”定义，需据目标选中心性指标：度中心性筛活跃用户，介数中心性找桥接者，特征向量中心性识意见领袖；社区核心须在子图上单独计算。
NetworkX 本身不直接提供“核心节点”的统一定义，必须先明确你指的到底是中心性指标、社区骨干、还是影响力传播关键点——不同目标对应完全不同的算法和参数选择。
怎么选对中心性指标？别一上来就跑 nx.betweenness_centrality()
社交网络里“重要”有不同含义：degree_centrality 看谁连接最多（适合初步筛选活跃用户），betweenness_centrality 看谁控制信息流（适合找桥接者），eigenvector_centrality 看谁连着其他重要节点（适合找意见领袖）。实际中常发现：betweenness 在稀疏图里计算慢且结果不稳定，而 pagerank（用 nx.pagerank()）对有向关注关系更鲁棒。如果图含权重（如互动频次），所有中心性函数都得传 weight="weight" 参数，否则默认忽略边权。
用 nx.community.greedy_modularity_communities() 提取社区后，怎么找每个社区的代表节点？
贪心模块度社区划分返回的是节点集合列表，不是带标签的子图。要找每个社区的“核心”，不能直接对全图算中心性再排序——得在每个子图上单独计算。常见错误是：把社区当 list 直接喂给 nx.subgraph()，但该函数需要图对象和节点列表，正确写法是 G_sub = G.subgraph(community_nodes)。然后在 G_sub 上跑 nx.degree_centrality() 或 nx.closeness_centrality()（后者对小社区更敏感）。注意：若社区节点数 closeness_centrality 会返回 nan，需加 try/except 或提前过滤。
为什么 nx.k_core() 返回空？或结果全是孤立点？
k_core 要求节点度 ≥ k 且所有邻居也满足该条件，对噪声敏感。真实社交数据常含大量低度节点（如只发过1条微博的用户），导致高 k 值下核心为空。建议：先用 nx.remove_nodes_from([n for n, d in G.degree() if d 清理叶子节点；再试 <code>k=2 或 k=3；最后用 list(nx.k_core(G, k=2).nodes()) 检查返回是否合理。另外，k_core 不区分方向，有向图请改用 nx.k_truss() 或手动转无向图处理。
立即学习“Python免费学习笔记（深入）”；
真正麻烦的是多源异构数据拼接后的图结构——比如把微信好友、微博关注、邮件往来合并成一张图，边权含义不一致，此时任何中心性指标都会失真。得先做边权归一化，或者分图计算再加权融合，这点容易被跳过。
