shell_index(mode=ALL)：图的k-core为每个节点度至少为K的最大子图（度指的是节点在子图中的度），如果节点属于K核而不属于K+1核，那么节点的核值为K
mode：值可为IN,OUT,ALL，分别表示入度核值，出度核值，以及无向核值
返回值：每个节点的核值
evcent(directed=True,
scale=True, weights=None, return_eigenvalue=False, arpack_options=None)：计算图中节点的向量中心性
directed：是否在有向图中考虑边的方向，默认值为True。在无向图中可以忽略
scale：是否对中心性进行归一化使得最大值为1
weights：一个包含边权的list或一个边属性。如果为None，所有边的权值相同
return_eigenvalue：是否返回中心性的最大特征值
arpack_options：一个ARPACKOptions对象对计算进行微调。如果将其忽略，一个模块级的变量会调用arpack_options
返回值：包含特征向量中心性的list以及可选的其对应的最大特征值
vertex_disjoint_paths(source=-1,
target=-1, checks=True, neighbors="error")：计算某些节点之间或整个图的节点连通性，即是指在删除多少节点后这两个节点将不再连通。如果源点和目标节点都给定，将只计算这两个节点之间的连通性，如果没有给定，将计算所有节点之间的连通性。
source：源节点
target：目标节点
checks：如果要计算整个图的连通性，值为True，在计算前igraph会有一些基本的检测。如果图不是强连通的，那么显然连通性为0。如果最小度为1，那么连通性也为1。这些简单的检测会比遍历整个网络要快很多，所以建议将其值设为True。如果给定节点来计算，这个参数将被忽略。
neighbors：指示igraph当两个节点连通是该所什么。error为抛出异常，infinity返回infinity，ignore将忽略边（讲真这个我还真不知道是个什么意思）
返回值：节点的连通性
shortest_paths_dijkstra(source=None,
target=None, weights=None, mode=OUT)：计算给定节点间的最短路径长度。计算时使用的算法是动态选择的，无权图用简单的BFS；当所有权值为正时用dijkstra算法；当源节点数大于100时使用Bellman-Ford算法，反之用Jonhson算法
source：包含源节点Id的list，如果为None，将涉及所有节点
target：包含目标节点Id的list，如果为None，将涉及所有节点
weights：包含边权值的list，也可以是边的属性名或为None（所有边的权值相同）
mode：在有向图中计算哪种类型的最短路径。可为OUT, IN,ALL
返回值：一个包含给定节点间最短路径的矩阵
degree(vertices, mode=ALL,
loops=True)
outdegree(self, *args, **kwds)：计算所有节点的出度，返回一个list
indegree(self, *args, **kwds)：计算所有节点的入度，返回一个list
strength(vertices, mode=ALL,
loops=True, weights=None)：计算所有节点的带权度值，
vertices：单个节点Id或节点ID的list
mode：是计算出度，入度或所有
loops：是否计算自环
weights：边权值，可为sequence或iterable或边的属性名
返回一个list
maxflow(source, target,
capacity=None)：计算两点之间的最大流
capacity：边权值，可以是边的属性名，当为None时所有的边权值相等
返回值：Flow对象
mincut(source=None, target=None,
capacity=None)：计算两点之间的最小割，参数含义同上
pagerank(self, vertices=None,
directed=True, damping=0.85, weights=None, arpack_options=None,
implementation='prpack', niter=1000, eps=0.001)：计算节点的PageRank值
vertices：需要计算的节点ID，为None计算所有
directed：是否考虑路径的方向性
damping：阻尼因子。节点没有入度时的PageRank值为1-damping。它也是在每一步中将随机游走置为均匀分布的概率
weights：边权值
arpack_options：不太清楚什么意思，一般可以被忽略
implementation：用何种方法来解决PageRank特征问题，可选择的值有prpack（推荐使用），arpack，power（后面两个是以前版本中的）
niter：当implemention的值为power时需要设置的迭代次数
eps：当implemention的值为power时，其两次迭代的中每个节点的PageRank值的变化小于该值时停止迭代。
返回值：list
transitivity_avglocal_undirected(self,
mode='nan', weights=None)：计算网络中节点传递性的平均值。传递性用于计算一个节点的两个邻居之间连通的可能性。在平均局部传递性中，所有节点概率是分别计算的，与全局传递性有所区别。根据mode值的不同，邻居节点数少于2个的节点的传递性的值将有所不同。
mode：TRANSITIVITT_ZERO（以上提到的节点值为0）；TRANSITIVITY_NAN（这些节点将不再平均值中考虑）
返回值：文档中没有提及，可以自己试一下
cocitation(vertices=None)：计算给定节点与其他节点共同连接的节点数
vertices：需要计算的节点，若为None，将计算所有几点
返回值：包含所需节点cocitaion值的矩阵
closeness(vertices=None,
mode=ALL, cutoff=None, weights=None, normalized=True)：计算节点与网络中其他所有节点的距离的平均值，其计算公式为
d_{i}=\frac{1}{n-1} \sum_{j\ne i}^{}{d_{ij} }
参数：
vertices：需要计算的节点ID
mode：值可为IN，OUT，ALL
cutoff：如果值为integer，仅考虑小于等于该长度的路径，有效返回closeness的估计值（鉴于此某些连通的节点将不再连通，其值将低于真实值），如果为None，将返回精确的closeness
weights：边权，可为sequence或iterable或边权的属性名
normalized：是否要将值归一化
返回值：list
15)
betweenness(vertices=None,
directed=True, cutoff=None, weights=None, nobigint=True)
参数：
vertices：需要计算的节点，为None将计算所有节点
directed：是否考虑边的方向
cutoff：如果是integer，仅会考虑小于等于该值的路径并给出介值的估值，如果为None，将给出精确的介值
nobigint：如果为True，将用当前平台最长的可用整型来计算最短路径，但在大型网络中，建议用False来避免函数所使用的特殊存储结构被其覆盖
返回值：list
16)
constraint(vertices=None,
weights=None)：应该也是局部统计量，但具体含义不是很清楚
17)
diversity(vertices=None,
