networkx

    1热度

    2回答

    >>> import networkx as nx >>> g = nx.Graph() >>> g.add_nodes_from([1, 2, 3, 4, 5], carved=False) >>> g[1] {} >>> nx.get_node_attributes(g, "carved") {1: False, 2: False, 3: False, 4: False, 5: F

    1热度

    2回答

    我有一张伦敦步行路径图(由OSMNX转换而来),包含667.588条边,具有不同的highway属性(openstreetmap中的街道类型)。运行最短路径算法非常慢(4秒)。为了提高速度,我想在很大程度上减少边缘的数量而不会丢失主要连接/城市结构,但不知道如何去做。有什么建议么?有没有办法将一些关闭节点分组到一个更重要的节点,从而减小大小?

    0热度

    2回答

    如何在Cytoscape.js中显示networkx生成的网络? 我已经尝试过由networkx生成的JSON数据,看起来不起作用。所有的边缘都消失了。 通过如下networkx产生JSON: { "directed":false, "graph":{ }, "nodes":[ { "id":"P40012" }, { "id":"P

    -1热度

    2回答

    我的一般问题是:如何在加权无向社交网络/图中进行社区检测? 数据集,我想群集看起来像这样, DrugA, DrugB,Weight x,y,6 y,z,9 y,p,5 x,p,3 在我的数据集我有毒品多个节点和它们之间的权重代表drugs.I之间的相似性要在更小的簇集群连接节点具有更高权重的节点连接在一起,即某种最小割。我可以使用哪种聚类算法对这类数据集进行聚类;最好来自Scikit-

    0热度

    1回答

    def pi_drug_target(graph, node): pi_to_drug_nodes = P.neighbors(node) nghr_targets = {} for pi_drug in pi_to_drug_nodes: nghr_targets[pi_drug] = {} nghr_targets[pi_drug]['t

    1热度

    1回答

    我有一个邻接矩阵A与nodes = {0, 1, 2, 3, 4, 5} A = [[0,1,1,0,0,0],[1,0,1,1,0,0],[1,1,0,0,1,0],[0,1,0,0,1,1],[0,0,1,1,0,0],[0,0,0,1,0,0]] 我想找到这个图的最小重量顶点覆盖。我转换这个邻接矩阵与 g_n = nx.from_numpy_matrix(A) 和下面的函数找到vec

    0热度

    1回答

    我使用networkx的read_edgelist函数从文件(500Mb),G(节点= 2.3M,边缘= 33M)读取图形的边缘,它使用机器的整个内存并且在没有找到更多内存加载整个图形。 有没有办法像稀疏图解决方案或使用其他库一样处理这个问题?

    0热度

    1回答

    正如标题所说,我使用networkX来表示Python中的一些单元网络。 网络在这篇文章的底部,因为它是一个大的图像。 我这样做的原因是因为一些节点被认为是“输入”,有些将被视为“输出”,我需要能够计算信号路径的数量(从输入到输出),每个节点参与。但是,我不认为networkX提供边缘方向性,我相信需要计算为节点的信号路径。 有谁知道,如果它能够在networkX方向添加到边,或者如果它能够计算的

    0热度

    1回答

    编辑:现在看好正如标题所说,我试图让计算数量的功能如何,每个节点 计算的“循环路径”#网络中任何节点的“信号路径”。节点的信号路径是从多个输入中的一个输入到该节点所属的多个输出之一的路径。我正在使用一个已经叫做all_simple_paths的算法,它是一个返回从输入到输出的每条路径的生成器。 然而,即使我的代码看起来正确,我得到不正确的结果。这里的功能: def signal_path_coun

    1热度

    1回答

    我在pyzo4.4.1上通过conda安装了NetworkX。我使用Python版本3.6.1是 conda install networkx conda update networkx 由于它建议NetworkX的安装指南中,我也装鼻用于测试和运行使用以下命令完整的测试: import networkx as nx nx.test() 令我惊讶的是,它取得了57次失败的测试。这是一个