Python cugraph.community.leiden.leiden用法及代码示例

用法: cugraph.community.leiden.leiden(G, max_iter=100, resolution=1.0)

使用 Leiden 算法计算输入图的模块化优化分区

它使用如下所述的 Louvain 方法：

Traag, V. A., Waltman, L. 和 van Eck, N. J. (2019)。从鲁汶到莱顿：保证well-connected 社区。科学报告，9(1)，5233。doi：10.1038/s41598-019-41695-z

参数：

G：cugraph.Graph

cuGraph 图形类型的图形说明符

如果不存在邻接列表，则将计算该邻接列表。

max_iter：整数，可选(默认=100)

这控制了莱顿算法的最大级别/迭代次数。当指定时，算法将在不超过指定的迭代次数后终止。当算法以这种方式提前终止时，不会发生错误。

resolution: float/double, optional (default=1.0)：

在模块化公式中称为 gamma，这会改变社区的规模。更高的分辨率会导致更多的小型社区，更低的分辨率会导致更少的大型社区。默认为 1。

parts：cudf.DataFrame

大小为 V 的 GPU 数据帧包含两列，即顶点 id 和分配给它的分区 id。

df[‘vertex’]：cudf.Series: 包含顶点标识符
df[‘partition’]：cudf.Series: 包含分配给顶点的分区

modularity_score：浮点数

一个浮点数，包含分区的全局模块化分数。

例子：

>>> M = cudf.read_csv(datasets_path / 'karate.csv',
...                   delimiter = ' ',
...                   dtype=['int32', 'int32', 'float32'],
...                   header=None)
>>> G = cugraph.Graph()
>>> G.from_cudf_edgelist(M, source='0', destination='1')
>>> parts, modularity_score = cugraph.leiden(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.community.leiden.leiden。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：