Question

import networkx as nx
import numpy as np
G = nx.MultiGraph()
G.add_edges_from([('1', '2'), ('1', '3'),('1','5'),('2','4')])
l= list(nx.non_edges(G))

score=np.array([[0.9,0.7,0.2,0.6,0.4],[0.7,0.9,0.6,0.8,0.3],[0.2,0.6,0.9,0.4,0.7],[0.6,0.8,0.4,0.9,0.3],[0.4,0.3,0.7,0.3,0.9]])

我想基于非边缘1-4得分为0.6的得分矩阵对非边缘进行排名，2-5得分为0.3，因此输出将为[1-4,2-5]

编辑 - 我的实际数据采用pandas数据框的形式（下面是我实际数据集的玩具数据集示例），我将其转换为networkx图形对象。

data1 = { 'node1': [1,1,1,2],
     'node2': [2,3,5,4],
     'weight': [1,1,1,1], }
df1 = pd.DataFrame(data1, columns = ['node1','node2','weight'])

得分矩阵采用矩阵5X5的形式，其中元素得分[1,4]表示节点1和4之间的边缘，得分为0.6

edit2-
从图1可以看出缺失的边是1-4,2-3,2-5,3-4,3-5,3-5，它们各自的得分是0.6 0.6 0.3 0.4 0.3 0.7所以我们根据分数对它们进行排名，最终输出为3-5 1-4 2-3 3-4 2-5 4-5

Answer 1

虽然您可以使用nx.non_edges（）找到图中缺少边的位置，但该函数实际上并不返回可以分配数据的对象 - 逻辑图中不存在非边。所有。但是，您可以创建第二个图形，其中包含不在第一个图形中的所有边缘，然后将分数分配给第二个图形中的边缘。

import networkx as nx
import numpy as np


G1 = nx.MultiGraph()
G1.add_edges_from([
    ('1', '2'),
    ('1', '3'),
    ('1', '5'),
    ('2', '4')])

G2 = nx.MultiGraph()
G2.add_edges_from(nx.non_edges(G1))

score = np.array([
    [0.9, 0.7, 0.2, 0.6, 0.4],
    [0.7, 0.9, 0.6, 0.8, 0.3],
    [0.2, 0.6, 0.9, 0.4, 0.7],
    [0.6, 0.8, 0.4, 0.9, 0.3],
    [0.4, 0.3, 0.7, 0.3, 0.9]])

for u, v, d in G2.edges(data=True):
    i = int(u) - 1
    j = int(v) - 1
    d['score'] = score[i, j]

编辑 -

现在我知道你只关心排名边缘向量而不需要为边缘分配分数，可以在不调用第二个图形的情况下完成。您可以使用内置的sorted（）函数并为key参数指定lambda函数。 lambda查找每条边的得分值，并使用该值进行排序。由于您首先需要高分边缘，因此您还必须指定reverse = True。

import networkx as nx
import numpy as np


G = nx.MultiGraph()
G.add_edges_from([
    ('1', '2'),
    ('1', '3'),
    ('1', '5'),
    ('2', '4')])

score = np.array([
    [0.9, 0.7, 0.2, 0.6, 0.4],
    [0.7, 0.9, 0.6, 0.8, 0.3],
    [0.2, 0.6, 0.9, 0.4, 0.7],
    [0.6, 0.8, 0.4, 0.9, 0.3],
    [0.4, 0.3, 0.7, 0.3, 0.9]])

ranked_non_edges = sorted(
    nx.non_edges(G),
    key=lambda e: score[int(e[0])-1, int(e[1])-1],
    reverse=True)

基于得分矩阵对图的非边缘进行排序

1 个答案: