Python NetworkX pagerank_numpy用法及代码示例

返回图中节点的PageRank。

PageRank 根据传入链接的结构计算图 G 中节点的排名。它最初被设计为一种对网页进行排名的算法。

参数：

G：图形

NetworkX 图表。无向图将转换为每个无向边有两条有向边的有向图。

alpha：浮点数，可选

PageRank 的阻尼参数，默认 = 0.85。

personalization: dict, optional：

“personalization vector” 由一个字典组成，其中一个键是图形节点的一些子集和每个节点的个性化值。至少一个个性化值必须非零。如果未指定，节点个性化值将为零。默认情况下，使用均匀分布。

weight：键，可选

用作权重的边数据键。如果 None 权重设置为 1。

dangling: dict, optional：

要分配给任何 “dangling” 节点的外边，即没有任何外边的节点。 dict键是outedge指向的节点，dict value是outedge的权重。默认情况下，根据个性化向量(如果未指定，则统一)为悬空节点分配外边。必须选择此选项以产生不可约的转移矩阵(请参阅google_matrix 下的注释)。悬空字典与个性化字典相同可能很常见。

返回：

pagerank：字典

以PageRank 为值的节点字典。

注意：

特征向量计算使用 NumPy 与 LAPACK 特征值求解器的接口。这对于小图来说是最快和最准确的。

此实现适用于 Multi(Di)Graphs。对于多重图，两个节点之间的权重设置为这些节点之间所有边权重的总和。

参考：

1

A. Langville and C. Meyer, “A survey of eigenvector methods of web information retrieval.” http://citeseer.ist.psu.edu/713792.html

2

Page, Lawrence; Brin, Sergey; Motwani, Rajeev and Winograd, Terry, The PageRank citation ranking: Bringing order to the Web. 1999 http://dbpubs.stanford.edu:8090/pub/showDoc.Fulltext?lang=en&doc=1999-66&format=pdf

例子：

>>> G = nx.DiGraph(nx.path_graph(4))
>>> pr = nx.pagerank_numpy(G, alpha=0.9)