Python cugraph.centrality.betweenness_centrality.betweenness_centrality用法及代码示例

用法: cugraph.centrality.betweenness_centrality.betweenness_centrality(G, k=None, normalized=True, weight=None, endpoints=False, seed=None, result_dtype=<class 'numpy.float64'>)

计算图 G 的所有顶点的介数中心性。介数中心性是对通过顶点的最短路径数量的度量。具有高中介中心性分数的顶点有更多的路径通过它，因此被认为更重要。

为了提高性能。可以使用 k 个起始顶点的样本，而不是执行 all-pair 最短路径。

CuGraph 目前不支持 ‘endpoints’ and ‘weight’ 参数，如相应的 networkX 调用中所示。

参数：

G：cuGraph.Graph 或 networkx.Graph: 该图可以是有向的 (Graph(directed=True)) 或无向的。图中的权重被忽略，当前实现使用 BFS 遍历。如果需要考虑权重，则使用权重参数(目前不支持)
k：int or list or None, optional (default=None): 如果 k 不是 None，则使用 k 个节点样本来估计介数。较高的值给出更好的近似值。如果 k 是一个列表，则使用列表的内容进行估计：列表应该包含顶点标识符。如果 k 为 None(默认值)，则所有顶点都用于估计介数。通过采样获得的顶点或定义为列表的顶点将作为算法内部遍历的源。
normalized：布尔型，可选: 默认为真。如果为真，则对于无向图，介数值通过 __2 /((n - 1) * (n - 2))__ 标准化，对于有向图，通过 __1 /((n - 1) * (n - 2))__ 标准化，其中n 是 G 中的节点数。归一化将确保值在 [0, 1] 中，这种归一化针对每个最短路径穿过一个节点的最高可能值进行缩放。
weight：cudf.DataFrame，可选(默认=无): 指定要用于每条边的权重。应该包含边和权重之间的映射。 (不支持)
endpoints：布尔，可选(默认=假): 如果为真，则将端点包括在最短路径计数中。 (不支持)
seed：可选的: 如果指定了 k 并且 k 是整数，则使用种子来初始化随机数生成器。使用无作为种子依赖于随机。seed() 行为：使用当前系统时间如果 k 为无或列表：种子参数被忽略
result_dtype：np.float32 或 np.float64，可选，默认=np.float64: 表示介数中心性分数的数据类型

df：cudf.DataFrame 或 Dictionary 如果使用 NetworkX

GPU 数据帧包含两个大小为 V 的 cudf.Series：顶点标识符和相应的中介中心性值。请注意，生成的‘vertex’ 列可能不是按升序排列的。字典包含相同的两列

df[‘vertex’]：cudf.Series: 包含顶点标识符
df[‘betweenness_centrality’]：cudf.Series: 包含顶点的中介中心性

例子：

>>> gdf = cudf.read_csv(datasets_path / 'karate.csv', delimiter=' ',
...                     dtype=['int32', 'int32', 'float32'], header=None)
>>> G = cugraph.Graph()
>>> G.from_cudf_edgelist(gdf, source='0', destination='1')
>>> bc = cugraph.betweenness_centrality(G)

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cugraph.centrality.betweenness_centrality.betweenness_centrality。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

例子：