attr_sparse_matrix#

attr_sparse_matrix(G, edge_attr=None, node_attr=None, normalized=False, rc_order=None, dtype=None)[source]#

使用 G 中的属性返回一个 SciPy 稀疏数组。

如果只传入 G，则构建邻接矩阵。

设 A 是节点属性 node_attr 的离散值集合。则 A 的元素表示构建矩阵的行和列。现在，遍历 G 中的每条边 e=(u,v)，并考虑边属性 edge_attr 的值。如果 ua 和 va 分别是 u 和 v 的节点属性 node_attr 值，则将边属性的值添加到矩阵元素 (ua, va) 处。

参数:
G图

用于构建 NumPy 矩阵的 NetworkX 图。

edge_attrstr，可选

矩阵的每个元素表示对应于矩阵行/列的节点属性的边的指定边属性的累计总和。该属性必须存在于图中的所有边上。如果未指定属性，则仅计算对应于矩阵元素的节点属性的边的数量。

node_attrstr，可选

矩阵中的每一行和每一列都代表节点属性的特定值。该属性必须存在于图中的所有节点上。注意，此属性的值应可靠地可哈希。因此，不推荐使用浮点值。如果未指定属性，则行和列将是图的节点。

normalizedbool，可选

如果为 True，则将每一行按其值的总和进行归一化。

rc_orderlist，可选

节点属性值的列表。此列表指定数组行和列的顺序。如果未提供顺序，则顺序将是随机的（同时也是一个返回值）。

返回值:
MSciPy 稀疏数组

属性矩阵。

orderinglist

如果指定了 rc_order，则只返回矩阵。然而，如果 rc_order 为 None，则同时返回用于构建矩阵的顺序。

其他参数:
dtypeNumPy 数据类型，可选

用于初始化数组的有效 NumPy 数据类型。请注意，如果数组需要归一化，某些数据类型可能会产生意外结果。该参数会传递给 numpy.zeros()。如果未指定，则使用 NumPy 默认值。

示例

构建邻接矩阵

>>> G = nx.Graph()
>>> G.add_edge(0, 1, thickness=1, weight=3)
>>> G.add_edge(0, 2, thickness=2)
>>> G.add_edge(1, 2, thickness=3)
>>> M = nx.attr_sparse_matrix(G, rc_order=[0, 1, 2])
>>> M.toarray()
array([[0., 1., 1.],
       [1., 0., 1.],
       [1., 1., 0.]])

或者，我们可以获得描述边厚度的矩阵。

>>> M = nx.attr_sparse_matrix(G, edge_attr="thickness", rc_order=[0, 1, 2])
>>> M.toarray()
array([[0., 1., 2.],
       [1., 0., 3.],
       [2., 3., 0.]])

我们还可以给节点着色，并要求给出描述所有边 (u,v) 的概率分布，该分布描述

Pr(v 的颜色为 Y | u 的颜色为 X)

>>> G.nodes[0]["color"] = "red"
>>> G.nodes[1]["color"] = "red"
>>> G.nodes[2]["color"] = "blue"
>>> rc = ["red", "blue"]
>>> M = nx.attr_sparse_matrix(G, node_attr="color", normalized=True, rc_order=rc)
>>> M.toarray()
array([[0.33333333, 0.66666667],
       [1.        , 0.        ]])

例如，上面告诉我们对于所有边 (u,v)

Pr( v 为红色 | u 为红色) = 1/3 Pr( v 为蓝色 | u 为红色) = 2/3

Pr( v 为红色 | u 为蓝色) = 1 Pr( v 为蓝色 | u 为蓝色) = 0

最后，我们可以获得按节点颜色列出的总权重。

>>> M = nx.attr_sparse_matrix(G, edge_attr="weight", node_attr="color", rc_order=rc)
>>> M.toarray()
array([[3., 2.],
       [2., 0.]])

因此，对于 u 和 v 颜色为

(红色, 红色) 是 3 # 唯一贡献来自边 (0,1) (红色, 蓝色) 是 2 # 贡献来自边 (0,2) 和 (1,2) (蓝色, 红色) 是 2 # 与 (红色, 蓝色) 相同，因为图是无向的 (蓝色, 蓝色) 是 0 # 没有边以蓝色为端点

在此页面上