码迷，mamicode.com
首页 > Web开发 > 详细

NetworkX系列教程(9)-线性代数相关

时间：2018-06-20 22:42:18      阅读：318      评论：0      收藏：0      [点我收藏+]

标签：如何   info   The   com   enter   overflow   tran   微软   nal   

小书匠 Graph 图论 

学过线性代数的都了解矩阵,在矩阵上的文章可做的很多,什么特征矩阵,单位矩阵等.grpah存储可以使用矩阵,比如graph的邻接矩阵,权重矩阵等,这节主要是在等到graph后,如何快速得到这些信息.详细官方文档在这里

目录:

注意:如果代码出现找不库,请返回第一个教程,把库文件导入.

10线性代数相关

10.1图矩阵

  1. #定义图的节点和边 
  2. nodes=[‘0‘,‘1‘,‘2‘,‘3‘,‘4‘,‘5‘,‘a‘,‘b‘,‘c‘] 
  3. edges=[(‘0‘,‘0‘,1),(‘0‘,‘1‘,1),(‘0‘,‘5‘,1),(‘0‘,‘5‘,2),(‘1‘,‘2‘,3),(‘1‘,‘4‘,5),(‘2‘,‘1‘,7),(‘2‘,‘4‘,6),(‘a‘,‘b‘,0.5),(‘b‘,‘c‘,0.5),(‘c‘,‘a‘,0.5)] 
  4.  
  5. plt.subplots(1,2,figsize=(10,3)) 
  6.  
  7. #定义一个无向图和有向图 
  8. G1 = nx.Graph() 
  9. G1.add_nodes_from(nodes) 
  10. G1.add_weighted_edges_from(edges) 
  11.  
  12. G2 = nx.DiGraph() 
  13. G2.add_nodes_from(nodes) 
  14. G2.add_weighted_edges_from(edges) 
  15.  
  16. pos1=nx.circular_layout(G1) 
  17. pos2=nx.circular_layout(G2) 
  18.  
  19. #画出无向图和有向图 
  20. plt.subplot(121) 
  21. nx.draw(G1,pos1, with_labels=True, font_weight=‘bold‘) 
  22. plt.title(‘无向图‘,fontproperties=myfont) 
  23. plt.axis(‘on‘) 
  24. plt.xticks([]) 
  25. plt.yticks([]) 
  26.  
  27. plt.subplot(122) 
  28. nx.draw(G2,pos2, with_labels=True, font_weight=‘bold‘) 
  29. plt.title(‘有向图‘,fontproperties=myfont) 
  30. plt.axis(‘on‘) 
  31. plt.xticks([]) 
  32. plt.yticks([]) 
  33.  
  34. plt.show() 
  35.  
  36. #控制numpy输出小数位数 
  37. import numpy as np 
  38. np.set_printoptions(precision=3)  
  39.  
  40. #邻接矩阵 
  41. A = nx.adjacency_matrix(G1) 
  42. print(‘邻接矩阵:\n‘,A.todense()) 
  43.  
  44. #关联矩阵 
  45. I = nx.incidence_matrix(G1) 
  46. print(‘\n关联矩阵:\n‘,I.todense()) 
  47.  
  48. #拉普拉斯矩阵 
  49. L=nx.laplacian_matrix(G1) 
  50. print(‘\n拉普拉斯矩阵:\n‘,L.todense()) 
  51.  
  52. #标准化的拉普拉斯矩阵 
  53. NL=nx.normalized_laplacian_matrix(G1) 
  54. print(‘\n标准化的拉普拉斯矩阵:\n‘,NL.todense()) 
  55.  
  56. #有向图拉普拉斯矩阵 
  57. DL=nx.directed_laplacian_matrix(G2) 
  58. print(‘\n有向拉普拉斯矩阵:\n‘,DL) 
  59.  
  60. #拉普拉斯算子的特征值 
  61. LS=nx.laplacian_spectrum(G1) 
  62. print(‘\n拉普拉斯算子的特征值:\n‘,LS) 
  63.  
  64. #邻接矩阵的特征值 
  65. AS=nx.adjacency_spectrum(G1) 
  66. print(‘\n邻接矩阵的特征值:\n‘,AS) 
  67.  
  68. #无向图的代数连通性 
  69. AC=nx.algebraic_connectivity(G1) 
  70. print(‘\n无向图的代数连通性:\n‘,AC) 
  71.  
  72. #图的光谱排序 
  73. SO=nx.spectral_ordering(G1) 
  74. print(‘\n图的光谱排序:\n‘,SO) 
  75.  
  76. #两个矩阵的解释看:https://blog.csdn.net/Hanging_Gardens/article/details/55670356 

技术分享图片
png

输出:

  1. 邻接矩阵: 
  2. [[0. 0. 0. 0. 5. 0. 0. 0. 6. ] 
  3. [0. 0. 0. 2. 0. 0. 0. 0. 0. ] 
  4. [0. 0. 0. 0. 0. 0.5 0.5 0. 0. ] 
  5. [0. 2. 0. 1. 1. 0. 0. 0. 0. ] 
  6. [5. 0. 0. 1. 0. 0. 0. 0. 7. ] 
  7. [0. 0. 0.5 0. 0. 0. 0.5 0. 0. ] 
  8. [0. 0. 0.5 0. 0. 0.5 0. 0. 0. ] 
  9. [0. 0. 0. 0. 0. 0. 0. 0. 0. ] 
  10. [6. 0. 0. 0. 7. 0. 0. 0. 0. ]] 
  11.  
  12. 关联矩阵: 
  13. [[1. 1. 0. 0. 0. 0. 0. 0. 0.] 
  14. [0. 0. 1. 0. 0. 0. 0. 0. 0.] 
  15. [0. 0. 0. 1. 1. 0. 0. 0. 0.] 
  16. [0. 0. 1. 0. 0. 1. 0. 0. 0.] 
  17. [0. 1. 0. 0. 0. 1. 0. 1. 0.] 
  18. [0. 0. 0. 1. 0. 0. 0. 0. 1.] 
  19. [0. 0. 0. 0. 1. 0. 0. 0. 1.] 
  20. [0. 0. 0. 0. 0. 0. 0. 0. 0.] 
  21. [1. 0. 0. 0. 0. 0. 0. 1. 0.]] 
  22.  
  23. 拉普拉斯矩阵: 
  24. [[11. 0. 0. 0. -5. 0. 0. 0. -6. ] 
  25. [ 0. 2. 0. -2. 0. 0. 0. 0. 0. ] 
  26. [ 0. 0. 1. 0. 0. -0.5 -0.5 0. 0. ] 
  27. [ 0. -2. 0. 3. -1. 0. 0. 0. 0. ] 
  28. [-5. 0. 0. -1. 13. 0. 0. 0. -7. ] 
  29. [ 0. 0. -0.5 0. 0. 1. -0.5 0. 0. ] 
  30. [ 0. 0. -0.5 0. 0. -0.5 1. 0. 0. ] 
  31. [ 0. 0. 0. 0. 0. 0. 0. 0. 0. ] 
  32. [-6. 0. 0. 0. -7. 0. 0. 0. 13. ]] 
  33.  
  34. 标准化的拉普拉斯矩阵: 
  35. [[ 1. 0. 0. 0. -0.418 0. 0. 0. -0.502] 
  36. [ 0. 1. 0. -0.707 0. 0. 0. 0. 0. ] 
  37. [ 0. 0. 1. 0. 0. -0.5 -0.5 0. 0. ] 
  38. [ 0. -0.707 0. 0.75 -0.139 0. 0. 0. 0. ] 
  39. [-0.418 0. 0. -0.139 1. 0. 0. 0. -0.538] 
  40. [ 0. 0. -0.5 0. 0. 1. -0.5 0. 0. ] 
  41. [ 0. 0. -0.5 0. 0. -0.5 1. 0. 0. ] 
  42. [ 0. 0. 0. 0. 0. 0. 0. 0. 0. ] 
  43. [-0.502 0. 0. 0. -0.538 0. 0. 0. 1. ]] 
  44.  
  45. 有向拉普拉斯矩阵: 
  46. [[ 0.889 -0.117 -0.029 -0.087 -0.319 -0.029 -0.029 -0.129 -0.242] 
  47. [-0.117 0.889 -0.026 -0.278 -0.051 -0.026 -0.026 -0.114 -0.056] 
  48. [-0.029 -0.026 0.994 -0.012 -0.009 -0.481 -0.481 -0.025 -0.01 ] 
  49. [-0.087 -0.278 -0.012 0.757 -0.097 -0.012 -0.012 -0.052 -0.006] 
  50. [-0.319 -0.051 -0.009 -0.097 0.994 -0.009 -0.009 -0.041 -0.434] 
  51. [-0.029 -0.026 -0.481 -0.012 -0.009 0.994 -0.481 -0.025 -0.01 ] 
  52. [-0.029 -0.026 -0.481 -0.012 -0.009 -0.481 0.994 -0.025 -0.01 ] 
  53. [-0.129 -0.114 -0.025 -0.052 -0.041 -0.025 -0.025 0.889 -0.045] 
  54. [-0.242 -0.056 -0.01 -0.006 -0.434 -0.01 -0.01 -0.045 0.994]] 
  55.  
  56. 拉普拉斯算子的特征值: 
  57. [-1.436e-15 0.000e+00 4.610e-16 7.000e-01 1.500e+00 1.500e+00 
  58. 4.576e+00 1.660e+01 2.013e+01] 
  59.  
  60. 邻接矩阵的特征值: 
  61. [12.068+0.000e+00j 2.588+0.000e+00j -7.219+0.000e+00j -4.925+0.000e+00j 
  62. -1.513+0.000e+00j 1. +0.000e+00j -0.5 +2.393e-17j -0.5 -2.393e-17j 
  63. 0. +0.000e+00j] 
  64.  
  65. 无向图的代数连通性: 
  66. 0.0 
  67.  
  68. 图的光谱排序: 
  69. [‘4‘, ‘2‘, ‘1‘, ‘0‘, ‘5‘, ‘b‘, ‘c‘, ‘a‘, ‘3‘] 

NetworkX系列教程(9)-线性代数相关

标签：如何   info   The   com   enter   overflow   tran   微软   nal   

原文地址：https://www.cnblogs.com/wushaogui/p/9206264.html
踩
(0)
赞
(0)
   
举报
评论 一句话评论（0）
登录后才能评论！
分享档案
更多>
2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)
周排行
mamicode.com排行更多图片
更多
友情链接
兰亭集智   国之画   百度统计   站长统计   阿里云   chrome插件   新版天听网
关于我们 - 联系我们 - 留言反馈
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码！