double_edge_swap(G)
这是一个连边置乱的函数，输入的G必须为无向图，且图节点不小于4
# Instead of choosing uniformly at random from a generated edge list,
# this algorithm chooses nonuniformly from the set of nodes with
# probability weighted by degree.
【问题1】该算法选择从节点集中以度的加权概率进行非均匀选择，而非从边列表中均匀随机选取。这么做有什么好处？
函数解读：
- keys,degrees=zip(*G.degree().items()) #迭代节点度
如
u--v 得到的结果为：[('y', 'x', 'u', 'v'), (1, 2, 2, 1)]
|
x--y
- cdf=nx.utils.cumulative_distribution(degrees) # 计算度的累积分布
结果为 cdf = [0.0, 0.16666666666666666, 0.5, 0.8333333333333333, 0.9999999999999999]
简单解释一下原因，累积分布 所以第一个是0，第二个是（0+1）/(1+2+2+1)，第三个是（0+1+2）/(1+2+2+1)...
- (ui,xi)=nx.utils.discrete_sequence(2,cdistribution=cdf) #返回长度为2的采样序列
- u=keys[ui]
x=keys[xi]
若ui=0,xi=1,则u='y',x='x'即从网络G中选两点
connected_double_edge_swap(G, nswap=1, _window_threshold=3)
这是保持连通性的双边置乱
_window_threshold？这是干嘛用的？
【问题1】分别用上述两种方式执行置乱操作，发现本算法所采用的方式确实效率高出好多
