当前位置:   article > 正文

【图神经网络 || GNN】图相关的基本知识代码_milp gnn

milp gnn

图相关的基本知识代码

# -*- encoding: utf-8 -*-
# @time:  2022/2/10 12:51
# @author: chenTao
# @file:  Graph_basic.py
import numpy as np
import pandas as pd
import networkx as nx

edges = pd.DataFrame()
edges['sources'] = [1,1,1,2,2,3,3,4,4,5,5,5]
edges['targets'] = [2,4,5,3,1,2,5,1,5,1,3,4]
edges['weights'] = [1,1,1,1,1,1,1,1,1,1,1,1]

G = nx.from_pandas_edgelist(edges,source='sources',target='targets',edge_attr='weights')
#degree
print(nx.degree(G))
#连通分量
print(list(nx.connected_components(G)))
#图直径
print(nx.diameter(G))
#度中心性 = (N_degree)/(n-1);n图中结点数量
print(nx.degree_centrality(G))
#特征向量中心性 A*x= 入*x
#第一,按照公式求出特征值和特征向量, 选择具有最大特征值对应的特征向量
# 该特征向量对应的每个值就是对应节点的特征向量中心性
print(nx.eigenvector_centrality(G))
# 中介中心性 betweenness = (经过该节点的最短路径的条数之和 )/(其余两两节点的最短路径 )
#分母不是最短路径而是其余两两节点的组合情况,比如A到其余四个节点四种组合,一共有五个这样的节点 就是四乘五
print(nx.betweenness_centrality(G))
#closeness
print(nx.closeness_centrality(G))
#pagerank
print(nx.pagerank(G))
#HITS
print(nx.hits(G))
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35

注:
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

本文内容由网友自发贡献,转载请注明出处:https://www.wpsshop.cn/w/繁依Fanyi0/article/detail/833790
推荐阅读
相关标签
  

闽ICP备14008679号