Question

在内存管理和计算速度方面哪个最有效？

下面的简单测试表明，将节点内的属性存储为python对象与通过属性表进行字典查找稍微好一点。由于内存的分配方式，总是会出现这种情况吗？

作为测试，我构建了一个简单的例子：

class country():
    def __init__(self, name, gdp):
        self.name = name
        self.gdp = gdp
    def __repr__(self):
        return str(self.name)

#Country Objects
countries = dict()
countries['AUS'] = country('AUS', 2000)
countries['USA'] = country('USA', 10000)
countries['ZWE'] = country('ZWE', 13)

#Attribute Dictionary
gdp = dict()
gdp['AUS'] = 2000
gdp['USA'] = 10000
gdp['ZWE'] = 13

构建网络：

#Nodes as ID's
G1 = nx.Graph()
G1.add_nodes_from(countries.keys())
G1.nodes()

#Nodes as Objects
G2 = nx.Graph()
for c in countries.keys():
    G2.add_node(countries[c])
G2.nodes()

在IPython中运行％timeit：

G1F（）

#Lookup Data from Strings Network
def G1f():
    for n in G1.nodes():
        print "Node: %s" % n
        print "\tGDP: %s" % gdp[n]
%timeit G1f

G1f（）的输出：

10000000 loops, best of 3: 26.4 ns per loop

G2F（）

#Lookup Data from Objects 
def G2f():
    for n in G2.nodes():
        print "Node: %s" % n.name
        print "\tGDP: %s" % n.gdp
%timeit G2f

G2f（）的输出

10000000 loops, best of 3: 21.8 ns per loop

更新

G3f（）[来自答案]

G3 = nx.Graph()
for c,v in gdp.items():
    G3.add_node(c, gdp=v)
def G3f():
    for n,d in G3.nodes(data=True):
        print "Node: %s" % n
        print "\tGDP: %s" % d['gdp']

G13f（）的输出：

10000 loops, best of 3: 63 µs per loop

Answer 1

你也可以使用这样的节点属性：

import networkx as nx
#Attribute Dictionary
gdp = dict()
gdp['AUS'] = 2000
gdp['USA'] = 10000
gdp['ZWE'] = 13

G3 = nx.Graph()
for c,v in gdp.items():
    G3.add_node(c, gdp=v)

print G3.nodes(data=True)

def G3f():
    for n,d in G3.nodes(data=True):
        print "Node: %s" % n
        print "\tGDP: %s" % d['gdp']

我不清楚测试时间是非常重要的。除非这是一个非常大的问题（也许有一天每个人都会拥有自己的国家！）速度或内存可能没有太大差异。我怀疑创建许多小型自定义对象（country（））的开销最终会占用更多内存和时间。

Networkx：节点作为对象或节点作为ID与字典属性表

1 个答案: