问题标签 [neighbours]

我正在尝试使用 R 中的spatcounts-package进行空间计数模型的引导。但是，使用替换重新采样可能会导致“孤岛”，因为有时不会选择任何邻居。我相信这会导致错误消息：Error: NA/NaN/Inf in foreign function call (arg 1). 如果确实如此，有人可以证实这一点吗？如果是这样，有没有办法绕过它，这样我仍然可以执行引导程序？

请在代码下方找到使用 spatcounts 包的示例数据集重新创建问题的代码。

谢谢你的时间，我希望有人可以帮助我一点。

我想知道是否有人可以帮助我处理行列循环。

我的行，列位置为 [行，列]。例如阵列 300X2

我试图找到他们的 8 个邻居值：

但是，当我运行此代码时，我得到多个值（矩阵 300*2700）而不是 300 行 x 9 列（对应于那些邻居）数组。

任何线索都非常受欢迎，

非常感谢，

我有一个很大的 igraph 对象。对于有向图的给定顶点，我有兴趣列出距离初始节点小于 d 的节点。例如，如果我在距离 V0 3 步内查找顶点，该函数将返回一个数据框，其中第一列包含到初始顶点的距离，第二列将包含顶点的名称。

我尝试使用neighbors()igraph 的功能（因为我可以指定模式：in/out/all）但它只列出了第一级顶点。我是否必须编写一个使用neighbors()或有更简单方法的递归函数？我正在使用 R。

任何帮助将非常感激！

给定一张图

我必须找到每个节点的所有邻居，并用这种形式创建一个列表

这是我的方法：

我运行我的 Prolog 代码：

这是我的结果，

为什么我会有这种行为？

我有一个无向图。是否有任何有效的功能可以使用 Spark Graphframes 收集特定顶点 ID 的直接邻居？（此功能在 GraphX [链接]中可用）

如果是，我们如何获得级别 2、3 和 ... 的邻居（这意味着最短路径长度大于 1 的邻居可达）

据我所知，此任务的唯一解决方案是使用 find() 和 filter() 组合（Motif Finding）。但出现了两个问题：

1. 它有效率吗？主题查找是为非锚定查询（对模式的查询）构建的，而不是为锚定的（对特定顶点的查询）。
2. 在数据帧上使用连接适用于有向边表。但我的图表是无向的。

我有一个填充有 的矩阵* and -，其中*代表一个病毒和-一个病毒的空闲点，我必须在我的矩阵中检查每个病毒的邻居，一个有效的邻居是另一个病毒而不是空闲点，以便确定它们的数量. 我必须检查的邻居是[row + 1][col]、和[row - 1][col]，总共四个邻居。我创建了一个函数来检查并涵盖所有情况，例如，如果我正在检查的元素是矩阵的角之一。我想出了一个非常长的 80 行函数，其中包含很多语句。除了必须编写 20 条语句之外，是否有一种有效的方法（即行数）来检查所有这些？[row][col + 1][row][col - 1]ifif

https://pastebin.com/2f7YpreZ这是我写的代码

我有一个M大小矩阵，它保存为长度m x n的一维数组。该数组的每个单元格都包含一些整数变量，它们是数据点的 ID。每个单元格中整数变量的数量随时间而变化。Nm * n

我使用返回的索引函数访问这些元素

idx = x + y * n

给定一些索引idx，我想使用相邻单元格和具有索引的中心单元格的所有整数变量idx来访问Dsize 的数据点数组s。尺寸s可以非常大。

为了明确我的观点：而不是对所有数据点进行这样的循环

我想要类似的东西（但更紧凑）

等等。对于所有细胞，我必须这样做 9 次。

我的问题：考虑到结构，有没有更好的方法来做到这一点N？

我正在尝试获取 ArangoDB 中节点的邻域。

当我这样做以获取 IN 节点时：

我得到一个结果。这样做是为了获得 OUT 节点

我也得到了结果，但这样做：

- 或者 -

进出节点我什么也没得到。问题是什么？

在构建了相邻距离矩阵之后，我正在尝试拟合空间滞后模型 ( spdep::lagsarlm)。我有两个问题，因为每次我读到它时，模型总是适合每个空间位置只有一个观察值（一行）的数据。

我的数据集对每个空间点都有可变数量的观察（但它不是时间数据），我想知道这样做是否有效，尤其是在创建距离矩阵时，因为我收到警告：

事实上，当我绘制邻居关系时，我得到了一个错误的图表（我猜算法认为重复的点是他们自己的邻居，所以它们被隔离了）；当我只过滤第一个度量时，情节就可以了。

所以我对我的lagsarlm模型在第一种情况下的结果不是很有信心..

但是，如果我尝试用更大的数据集拟合我的模型，但使用正确的邻居矩阵，它会抱怨

最后，我该如何处理这些数据？谢谢。

我有一个静态图（拓扑不会随时间变化，并且在编译时已知），其中图中的每个节点都可以具有三种状态之一。然后我模拟一个动态，其中一个节点有可能随时间改变其状态，而这个概率取决于其邻居的状态。随着图表变大，模拟开始变得非常慢，但经过一些分析后，我发现大部分计算时间都花在了遍历邻居列表上。

我能够通过更改用于访问图中邻居的数据结构来提高模拟速度，但想知道是否有更好（更快）的方法来做到这一点。我目前的实现是这样的：

对于一个N节点标记为从0到N-1且平均邻居数为 的图K，我将每个状态作为整数存储在 an 中std::vector<int> states，并将每个节点的邻居数存储在 中std::vector<int> number_of_neighbors。

为了存储邻居信息，我创建了另外两个向量：std::vector<int> neighbor_lists它按顺序存储与 node 0、 node 1、 ... 、 node相邻的节点N，以及一个索引向量std::vector<int> index，它为每个节点存储其第一个邻居的索引neighbor_lists.

所以我总共有四个向量：

更新节点时i，我像这样访问它的邻居：

总结一下我的问题：是否有更快的实现来访问固定图结构中的相邻节点？

目前，我已经在相当长的模拟时间内达到了 N = 5000，但如果可能的话，我的目标是 N ~ 15.000。