Python cugraph.traversal.sssp.sssp用法及代码示例

用法: cugraph.traversal.sssp.sssp(G, source=None, method=None, directed=None, return_predecessors=None, unweighted=None, overwrite=None, indices=None)

计算从指定源到图中所有顶点的最短路径的距离和前驱。距离列将存储从源到每个顶点的距离。前驱列将每个顶点的前驱存储在最短路径中。无法到达的顶点将具有无穷大的距离，由数据类型的最大值表示，并且前驱设置为 -1。源顶点的前驱也设置为 -1。不支持具有负权重循环的图表。

参数：

graph：cugraph.Graph、networkx.Graph、CuPy 或 SciPy 稀疏矩阵图或: 矩阵对象，它应该包含连接信息。边权重(如果存在)应该是单精度或双精度浮点值。
source：int: 源顶点的索引。

返回值类型基于输入类型。如果 G 是一个 cugraph.Graph，

返回：

cudf.DataFrame

df[‘vertex’]: 顶点编号
df[‘distance’]: 给出到起始顶点的路径距离
df[‘predecessor’]: 到达它的顶点

如果 G 是 networkx.Graph，则返回：

pandas.DataFrame 的内容与上述 cudf.DataFrame 相同。

如果 G 是 CuPy 或 SciPy 矩阵，则返回：

CuPy ndarrays(如果 CuPy 矩阵输入)或 Numpy ndarrays(如果 SciPy 矩阵输入)的 2 元组，表示：

距离：cupy 或 numpy ndarray: 源和顶点之间最短距离的ndarray。
前身：cupy 或 numpy ndarray: 来自源的路径上顶点的前驱的ndarray，可用于重建最短路径。

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')
>>> distances = cugraph.sssp(G, 0)

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.traversal.sssp.sssp。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。