我有一个有加权边的有向图。每个节点都与其他每个节点相连,权重表示从节点X迁移到节点Y的可能性(每个节点out的权重之和= 1-这是一个随机矩阵)。
我需要创建一个函数,该函数随机遍历图并仅在每个节点上进出一次,然后返回到起点
我不想返回最可能的输出,而只是返回树的第一次随机遍历,该遍历仅击中每个节点一次并返回其走过的路径,以及每次跳过的可能性。
这是我正在寻找的简单实现:
import pandas as pd
import numpy as np
from numpy.random import choice
import networkx as nx
testData = [('A','B',.5),('A','C',.4),('A','D',.1),('B','A',.5),('B','C',.3),('B','D',.2),('C','A',.3),('C','B',.1),
('C','D',.6),('D','A',.35),('D','B',.15),('D','C',.5)]
G = nx.DiGraph()
G.add_weighted_edges_from(testData)
#traverse g from randomly selected starting node to every other node randomly and back to random start node
def randomWalk(g):
start_node = choice(G.nodes())
#dfs implementation available?
return pathTaken
print (randomWalk(G))
>>> [('C','A',.3),('A':'D',.1),('D':'B',.15),('B':'C',.3)]
我找不到将随机游走组件合并到任何可用遍历算法中的方法。
对我可以使用的可用实现有何想法?如果可以避免的话,我宁愿不编写自定义DFS ...
谢谢!
答案 0 :(得分:0)
我不知道您是否会将其视为可用的实现,但这是
random.sample(G.nodes(), len(G.nodes()))
由于图表紧密相连,将为您的问题返回随机且有效的路径。
然后,您需要处理结果以获取元组列表:
def random_walk(G):
path = random.sample(G.nodes(), len(G.nodes()))
return [(path[i-1], node, G[path[i-1]][node]['weight']) for i, node in enumerate(path)]
在您的示例中:
print(random_walk(G))
>>> [('B', 'C', 0.3), ('C', 'D', 0.6), ('D', 'A', 0.35), ('A', 'B', 0.5)]
答案 1 :(得分:0)
我最终要做的是删除使用它们的节点,然后将最后一个节点分配给第一个节点。在每一步中,我都会重新加权以获得100%的可能性。我确定这不是超级有效,但是我的图表很小,所以没关系。然后,我合并了每个项目最终发生的可能性。
matchedPath = []
currNode = choice(G.nodes())
firstNode = currNode
while G.number_of_nodes() >1:
connectNodes = [x[1] for x in G.out_edges(currNode,data = True)]
connectWeights = [x[2]['weight'] for x in G.out_edges(currNode,data = True)]
remainingWeights = [z/sum(connectWeights) for z in connectWeights]
nextNode = choice(connectNodes, 1, p=remainingWeights)[0]
matchedPath.append((currNode,nextNode))
G.remove_node(currNode)
currNode = nextNode
matchedPath.append((currNode,firstNode))
matched_df = pd.DataFrame(matchedPath,columns = ['from','to'])
matched_df = pd.merge(matched_df,rawData,how = 'outer',left_on =['from'],right_on = ['Name']).drop(['Name'],axis = 1)
matched_df = pd.merge(matched_df,link_df,how = 'left',left_on = ['from','to'],right_on = ['person_x','person_y']).drop(['person_x','person_y'],axis = 1)