Question

我在加权的DiGraph上运行PageRank，其中nodes = 61634，edges = 28,378。

pagerank(G)抛出ZeroDivsionError
pagerank_numpy(G)抛出ValueError：array to big
pagerank_scipy(G)通过

我可以理解pagerank_numpy错误是由于内存限制，但为什么pagerank会失败？我尝试将无穷小的值添加到零权重的边缘，但同样的问题仍然存在。一些指针会很好。

链接到我的GraphML文件 - https://mega.co.nz/#!xlYzEDAI!Lyh5pD-NJL61JPfkrNyJrEm0NnFc586A0MUD8OMYAO0

NetworkX版本 - 1.8.1 Python - 2.7

Answer 1

@ mtitan8的答案很好，但故事还有一点。

自原始问题的时间以来，NetworkX代码被修改，以便当零或负权重（https://github.com/networkx/networkx/pull/1001）时，pagerank（），pagerank_numpy（）和pagerank_scipy（）都给出相同的答案

当您具有负权重时，这些函数产生的结果可能不是您想要的（如果它可以工作）。算法现在处理从输入矩阵（图的加权邻接矩阵）中创建“Google Matrix”的方式是行除以行和除非它为零（然后整行设置为零）。这笔钱可能是负数。

如果结果矩阵仍然以负数条目结束，那么 Perron-Frobenius定理不适用 http://en.wikipedia.org/wiki/Perron%E2%80%93Frobenius_theorem和你不保证具有唯一的具有正的最大特征值有价值的特征向量。

Answer 2

pagerank失败，因为它使用stochastic_graph执行计算 - 与pagerank_numpy或pagerank_scipy不同。在文档中，stochastic_graph要求：

NetworkX图表必须具有有效的边权重

这个“有效边缘权重”点（根本没有解释，我认为这是一个错误）是你问题的根源。

对于有向图，stochastic_graph使用每个节点的out_degree来标准化边缘。再次来自文档：

[out]度是与节点相邻的边权重之和。

因此，如果边缘的权重为或负权重，则规范化过程会以ZeroDivisionError打破。负权重是一个问题的原因是它们可以抵消正权重，从而给出节点度为零。例如，在图表中，节点'2123271'有两条边，其权重总和为0：

>>> G.edges('2123271', data=True)
[('2123271', '1712899', {'weight': -1L}),
 ('2123271', '890839', {'weight': 1L})]

使用小的正边缘权重替换图表中的负边或零边权重，使其pagerank可以运行：

In [1]: import networkx as nx
In [2]: G = nx.read_graphml("your_graph.graphml")
In [3]: defaultEdgeWeight = 0.01
In [4]: for u, v, d in G.edges(data=True):
            if d['weight'] <= 0:
                G[u][v]['weight'] = defaultEdgeWeight
In [5]: P = nx.pagerank( G )

当然，pagerank在102次迭代后没有收敛，但这是另一个问题。

NetworkX python：pagerank_numpy，pagerank失败但pagerank_scipy工作

2 个答案: