4

我有一个无向网络，其中每个节点都可以是k类型之一。对于每个节点i，我需要计算节点i具有的每种类型的邻居数。

现在我用一个边缘列表来表示边缘，其中列是节点的索引。节点表示为nxk矩阵，其中每一列代表一个节点类型。如果节点的类型为k，则第k列的值为 1，否则为 0。

这是我当前的代码，它是正确的，但太慢了。

# example nodes and edges, both typically much longer
nodes = np.array([[0, 0, 1], 
                  [0, 1, 0],                       
                  [1, 0, 0]])
edges = np.array([[0, 1],
                  [1, 2]])

neighbors = np.zeros_like(nodes)

for i, j in edges:
   neighbors[i] += nodes[j]
   neighbors[j] += nodes[i]

是否有一些聪明的 numpy 可以让我避免这种 for 循环？如果最好的方法是使用邻接矩阵，那也是可以接受的。

4

2 回答 2

2

如果我正确理解您的问题，numpy_indexed包（免责声明：我是它的作者）对此有一个快速而优雅的解决方案：

# generate a random example graph
n_edges = 50
n_nodes = 10
n_types = 3
edges = np.random.randint(0, n_nodes, size=(n_edges, 2))
node_types = np.random.randint(0, 2, size=(n_nodes, n_types)).astype(np.bool)

# Note; this is for a directed graph
s, e = edges.T
# for undirected, add reversed edges
s, e = np.concatenate([edges, edges[:,::-1]], axis=0).T
import numpy_indexed as npi
node_idx, neighbor_type_count = npi.group_by(s).sum(node_types[e])

一般来说，图上的操作，或涉及锯齿状数组的算法，通常可以使用分组操作有效而优雅地表达。

于 2016-10-01T11:22:43.500 回答
1

你可以简单地使用np.add.at-

out = np.zeros_like(nodes)
np.add.at(out, edges[:,0],nodes[edges[:,1]])
np.add.at(out, edges[:,1],nodes[edges[:,0]])
于 2016-10-03T21:00:37.503 回答