Список смежности с матричными пандами - PullRequest
Новая
       23

Список смежности с матричными пандами

3 голосов
/ 07 марта 2019

Я пытаюсь получить игрушечный пример построения матрицы смежности из списка, но я уже не могу понять это. Я думаю с точки зрения .loc (), но я не уверен, как правильно индексировать. 

{'nodes':['A', 'B', 'C', 'D', 'E'],
 'edges':[('A', 'B'), ('A', 'D'), ('B', 'C'), ('B', 'E'), ('C', 'D'), 
                      ('D', 'E'), ('E', 'A'),('E', 'B'), ('E', 'C')]}

Я начал строить матрицу с: 

n = len(graph['nodes'])
adj_matr = pd.DataFrame(0, columns = graph['nodes'], index = graph['edges'])

но теперь я не уверен, как его заполнить. Я думаю, что есть один простой лайнер, может быть, с пониманием списка?

Ожидаемый результат: 

   A  B  C  D  E
A  0  1  0  1  0
B  0  0  1  0  1
C  0  0  0  1  0
D  0  0  0  0  1
E  1  1  1  0  0

Ответы [ 3 ]

2 голосов
/ 07 марта 2019

Простой способ получить матрицу смежности - использовать NetworkX

d = {'nodes':['A', 'B', 'C', 'D', 'E'],
     'edges':[('A', 'B'), ('A', 'D'), ('B', 'C'), ('B', 'E'), ('C', 'D'), 
                      ('D', 'E'), ('E', 'A'),('E', 'B'), ('E', 'C')]}

. Похоже, что из вашей матрицы смежности направлен график.Вы можете создать ориентированный граф, как показано ниже, и определить его узлы и ребра из словаря с помощью: 

import networkx as nx
g = nx.DiGraph()
g.add_nodes_from(d['nodes'])
g.add_edges_from(d['edges'])

И затем вы можете получить матрицу смежности из сети с помощью nx.adjacency_matrix: 

m = nx.adjacency_matrix(g)
m.todense()

matrix([[0, 1, 0, 1, 0],
        [0, 0, 1, 0, 1],
        [0, 0, 0, 1, 0],
        [0, 0, 0, 0, 1],
        [1, 1, 1, 0, 0]], dtype=int64)

А для кадра данных с соответствующими узлами в качестве столбцов вы можете сделать: 

pd.DataFrame(m.todense(), columns=nx.nodes(g))

   A  B  C  D  E
0  0  1  0  1  0
1  0  0  1  0  1
2  0  0  0  1  0
3  0  0  0  0  1
4  1  1  1  0  0
1 голос
/ 07 марта 2019

для неориентированного графа 

graph = {'nodes': ['A', 'B', 'C', 'D', 'E'],
         'edges': [('A', 'B'), ('A', 'D'), ('B', 'C'), ('B', 'E'), ('C', 'D'),
                   ('D', 'E'), ('E', 'A'), ('E', 'B'), ('E', 'C')]}
n = len(graph['nodes'])
adj_matr = pd.DataFrame(0, columns=graph['nodes'], index=graph['nodes'])
for i in graph['edges']:
    adj_matr.at[i[0], i[1]] = 1
    adj_matr.at[i[1], i[0]] = 1


print(adj_matr)

   A  B  C  D  E
A  0  1  0  1  1
B  1  0  1  0  1
C  0  1  0  1  1
D  1  0  1  0  1
E  1  1  1  1  0

для ориентированного графа: 

graph = {'nodes': ['A', 'B', 'C', 'D', 'E'],
         'edges': [('A', 'B'), ('A', 'D'), ('B', 'C'), ('B', 'E'), ('C', 'D'),
                   ('D', 'E'), ('E', 'A'), ('E', 'B'), ('E', 'C')]}
n = len(graph['nodes'])
adj_matr = pd.DataFrame(0, columns=graph['nodes'], index=graph['nodes'])
print(adj_matr)
for i in graph['edges']:
    adj_matr.at[i[0], i[1]] = 1
    # adj_matr.at[i[1], i[0]] = 1

print(adj_matr)

   A  B  C  D  E
A  0  1  0  1  0
B  0  0  1  0  1
C  0  0  0  1  0
D  0  0  0  0  1
E  1  1  1  0  0
0 голосов
/ 07 марта 2019

Для ориентированного графа вы можете использовать: 

df = pd.DataFrame(graph['edges'], columns=['From', 'To'])
df['Edge'] = 1
adj = df.pivot(index='From', columns='To', values='Edge').fillna(0)
...