Python cugraph.link_analysis.pagerank.pagerank用法及代码示例

用法: cugraph.link_analysis.pagerank.pagerank(G, alpha=0.85, personalization=None, max_iter=100, tol=1e-05, nstart=None, weight=None, dangling=None)

找到图中每个顶点的 PageRank 分数。 cuGraph 使用幂方法计算 Pagerank 特征向量的近似值。迭代次数取决于网络本身的属性；当容差减少和/或 alpha 向极限值 1 增加时，它会增加。用户可以自由使用默认值或为初始猜测、容差和最大迭代次数提供输入。

参数：

G：cugraph.Graph 或 networkx.Graph

cuGraph 图说明符，应包含连接信息作为边列表。如果不存在，则将计算转置的邻接表。

alpha：浮点数，可选(默认=0.85)

阻尼因子 alpha 表示跟随出边的概率，标准值为 0.85。因此，1.0-alpha 是“teleport” 到随机顶点的概率。 Alpha 应大于 0.0 并严格低于 1.0。

personalization：cudf.Dataframe，可选(默认=无)

包含个性化信息的 GPU 数据帧。

个性化[‘vertex’]：cudf.Series: 用于个性化的图形顶点子集
个性化[‘values’]：cudf.Series: 顶点的个性化值

max_iter：int，可选(默认=100)

返回答案之前的最大迭代次数。这可用于限制执行时间并在求解器达到收敛容差之前提前退出。如果此值小于或等于 0，cuGraph 将使用默认值，即 100。

tol：浮点数，可选(默认=1e-05)

设置容差的近似值，这个参数应该是一个小的幅度值。容差越低，近似值越好。如果该值为 0.0f，cuGraph 将使用默认值 1.0E-5。由于数值舍入，容差设置太小会导致不收敛。通常 0.01 和 0.00001 之间的值是可以接受的。

nstart：cudf.Dataframe，可选(默认=无)

包含 pagerank 初始猜测的 GPU 数据帧。

nstart[‘vertex’]：cudf.Series: 图的顶点子集，用于 pagerank 值的初始猜测
nstart[‘values’]：cudf.Series: 顶点的页面排名值

weight: str, optional (default=None)：

如果 Graph 是 NetworkX Graph，则用作边权重的属性列。此参数用于 NetworkX 兼容性，在 cugraph.Graph 的情况下被忽略

dangling：dict，可选(默认=无)

此参数用于 NetworkX 兼容性并被忽略

PageRank：cudf.DataFrame

GPU 数据帧包含两个大小为 V 的 cudf.Series：顶点标识符和相应的 PageRank 值。

df[‘vertex’]：cudf.Series: 包含顶点标识符
df[‘pagerank’]：cudf.Series: 包含 PageRank 分数

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')
>>> pr = cugraph.pagerank(G, alpha = 0.85, max_iter = 500, tol = 1.0e-05)

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.link_analysis.pagerank.pagerank。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：