2

我从数据挖掘中收集的数据制作了一个巨大的图表。

我使用“networkx”制作图表，我想将巨大的图表更改为另一个图表。

即对于每个节点，加权边的总和为 1。

所以我写我的代码如下：

ng=nx.Graph()  
for n in g.nodes():  
    s=0.0  
    for nb in g.neighbors(n):  
         s=s+1.0/g[n][nb]['weight']  
    for nb in g.neighbors(n):  
        ng.add_edge(n,nb,weight=1.0/s/g[n][nb]['weight'])

在我通过如下代码检查结果后

for n in ng.neighbors('100002950636410'):
    print str(n) + ' : ' + str(ng[n]['100002950636410']['weight'])

邻居的总和不是 1，并且有很多“权重”为 1 的边。

我有什么问题吗？我认为我的计算和代码是正确的，但如果问题是图形的大小，那我该怎么办？

4

1 回答 1

3

你的问题的问题

我不认为您的解决方案可以按照您尝试的方式工作。我首先说明原因，然后我在下面提出一个替代解决方案。

考虑这段代码：

import networkx as nx
import matplotlib.pyplot as plt
import random

# Set up a graph with random edges and weights

G = nx.barabasi_albert_graph(6, 2, seed= 3214562)
for u,v in G.edges_iter():
    G[u][v]['weight'] = int(random.random() * 10)

pos = nx.spring_layout(G)

nx.draw(G, pos)
nx.draw_networkx_edge_labels(G,pos)
plt.show()

它产生这个数字：

在此处输入图像描述

考虑节点 1。它有两条边，权重分别为 2 和 9。我们应该将权重分别调整为 2/11 和 9/11。

接下来考虑节点 4。它现在有两条边，权重分别为 2/11 和 8。第一个权重是从之前的计算中固定的，所以我们基本上将第二个权重调整为 8/(8+2/11)。

我们现在有三个边，它们的权重被调整和固定。我们现在对节点 0、3 和 5 重复此操作。到该过​​程结束时，节点 2 周围的所有边都已重新调整和固定，但它们的总和不会等于 1，除非非常巧合。当然，在更大的图中，这个问题会出现得更快。

解决方案

我建议您为每个节点附加一个包含重新加权边缘字典的新数据属性，而不是重新加权边缘本身。这是演示的相关代码：

for n in G.nodes_iter():
    total = sum([ attr['weight']
                  for u,v,attr in G.edges(n, data=True) ])
    total = float(total)
    weights = dict([(nb, G[n][nb]['weight']/total)
                    for nb in G.neighbors(n)])
    G[n]['adj_weights'] = weights

# Print out the adjusted weights

for n in G.nodes_iter():
    for nb,w in G[n]['adj_weights'].iteritems():
        w = int(w*1000)/1000.
        print '{} to {}: {}'.format(n, nb, w)

这会产生：

0 to 2: 0.272
0 to 3: 0.727
1 to 2: 0.818
1 to 4: 0.181
2 to 0: 0.081
2 to 1: 0.243
2 to 3: 0.243
2 to 4: 0.216
2 to 5: 0.216
3 to 0: 0.363
3 to 2: 0.409
3 to 5: 0.227
4 to 1: 0.2
4 to 2: 0.8
5 to 2: 0.615
5 to 3: 0.384

因此，节点 0 的边总和为 1，例如，连接到节点 3 的边也是如此。但是从节点 0 看边 (0,3) 的权重为 0.727，从节点 3 看时为 0.363。

我希望这能让你继续前进。

于 2013-06-04T17:15:32.850 回答