Question

我想模拟并重现我的结果。因此，我发现使用随机种子数很有用，可以重新生成相同的图形。

然而，在这种情况下，我会得到不同的结果：

seed=1725
my_random = np.random.RandomState(seed)
G = nx.watts_strogatz_graph(30, 3, 0,seed=my_random )
node_positions = nx.spring_layout(G, scale=len(G.nodes()))

我运行这两行。结果得到两个不同的图形拓扑，不同的邻接矩阵和节点位置。 1）我怎样才能使它有效？

其次：

以下图表类不接受种子参数

G=nx.wheel_graph(n)
G=nx.complete_graph(n)
G = nx.balanced_tree(n,tree_depth)
G= nx.star_graph(n)

2）如何使这些图类考虑种子参数

谢谢

Answer 1

2）这些图表对他们的世代没有任何随机方面，所以就我所知，接受种子没有任何意义。

1）更棘手。似乎networkx使用random和numpy.random库的组合来生成随机数。图形生成器，例如watts_strogatz_graph使用前者，而布局使用后者。

简短回答：只为两个库设置种子：

import random
import numpy as np
seed = 123
random.seed(seed)
np.random.seed(seed)

有关正在进行的操作的说明

无论如何，这是一个简单的例子，显示种子被考虑用于像watts-strogatz生成器这样的图形（但你必须有p>0否则没有重新连线，因此没有随机组件！）。 G2和G3之间的边缘不同，因为它们使用不同的种子，但G1和G2是相同的。

import networkx as nx

seed = 123
G1 = nx.watts_strogatz_graph(30, 3, 0.1, seed=seed)
G2 = nx.watts_strogatz_graph(30, 3, 0.1, seed=seed)
G3 = nx.watts_strogatz_graph(30, 3, 0.1, seed=seed+1)

G1.edge == G2.edge
>>> True
G3.edge == G2.edge
>>> False

为了确保每次布局相同，您可以使用np.random.seed(myseed)的呼叫。这与使用np.random.RandomState不同，后者正在创建随机数流的新实例，并且不会被nx布局函数使用。（虽然在你自己的随机流中，它是good practice to use an independent stream）。

import numpy as np
np.random.seed(seed)
pos1 = nx.spring_layout(G1, scale=len(G.nodes()))
pos1b = nx.spring_layout(G1, scale=len(G.nodes())) 
# should differ! same graph, but the rng has been called
np.random.seed(seed) #reset seed
pos2 = nx.spring_layout(G2, scale=len(G.nodes())) 
# should be same as p1! G1==G2 (from above), and seed for layout
# is the same.

diffs = 0
for node in pos1:
    if np.all(pos1[node] != pos1b[node]):
       diffs += 1

print diffs
>>> 30

diffs2 = 0
for node in pos1:
    if np.all(pos1[node] != pos2[node]):
       diffs2 += 1

print diffs2
>>> 0

这个问题/答案Differences between numpy.random and random.random in Python对两个随机库有一些描述。

随机种子在提供时不起作用，并且一些函数不接受种子参数

1 个答案: