Python NetworkX attr_matrix用法及代码示例

使用 G 中的属性返回 NumPy 矩阵。

如果只传入G，则构造邻接矩阵。

令 A 为节点属性 node_attr 的一组离散值。那么 A 的元素代表构造矩阵的行和列。现在，遍历 G 中的每条边 e=(u,v) 并考虑边属性 edge_attr 的值。如果 ua 和 va 分别是 u 和 v 的节点属性node_attr 的值，则将边属性的值添加到 (ua, va) 处的矩阵元素。

参数：

G：图形

NetworkX 图用于构造NumPy 矩阵。

edge_attr：str，可选

矩阵的每个元素表示其节点属性对应于 matirx 的行/列的边的指定边属性的运行总计。该属性必须存在于图中的所有边上。如果没有指定属性，那么我们只计算节点属性对应于矩阵元素的边数。

node_attr：str，可选

矩阵中的每一行和每一列都代表节点属性的一个特定值。该属性必须存在于图中的所有节点。注意，这个属性的值应该是可靠的哈希值。因此，不建议使用浮点值。如果未指定属性，则行和列将是图的节点。

normalized：布尔型，可选

如果为 True，则每行都通过其值的总和进行归一化。

rc_order：列表，可选

节点属性值的列表。此列表指定数组的行和列的顺序。如果没有提供排序，那么排序将是随机的(也是一个返回值)。

返回：

M：NumPy 矩阵

属性矩阵。

ordering：列表

如果指定了rc_order，则只返回矩阵。但是，如果 rc_order 为 None，则也返回用于构造矩阵的排序。

其他参数：

dtype：NumPy 数据类型，可选

用于初始化数组的有效 NumPy dtype。请记住，如果要对数组进行规范化，某些 dtype 可能会产生意想不到的结果。参数传递给 numpy.zeros()。如果未指定，则使用 NumPy 默认值。

order：{‘C’, ‘F’}，可选

是否在内存中以 C 或 Fortran-contiguous(行或列)顺序存储多维数据。此参数传递给 numpy.zeros()。如果未指定，则使用 NumPy 默认值。

例子：

构造一个邻接矩阵：

>>> G = nx.Graph()
>>> G.add_edge(0, 1, thickness=1, weight=3)
>>> G.add_edge(0, 2, thickness=2)
>>> G.add_edge(1, 2, thickness=3)
>>> nx.attr_matrix(G, rc_order=[0, 1, 2])
matrix([[0., 1., 1.],
        [1., 0., 1.],
        [1., 1., 0.]])

或者，我们可以获得说明边厚度的矩阵。

>>> nx.attr_matrix(G, edge_attr="thickness", rc_order=[0, 1, 2])
matrix([[0., 1., 2.],
        [1., 0., 3.],
        [2., 3., 0.]])

我们还可以为节点着色并询问所有边 (u,v) 上的概率分布，说明：

>>> G.nodes[0]["color"] = "red"
>>> G.nodes[1]["color"] = "red"
>>> G.nodes[2]["color"] = "blue"
>>> rc = ["red", "blue"]
>>> nx.attr_matrix(G, node_attr="color", normalized=True, rc_order=rc)
matrix([[0.33333333, 0.66666667],
        [1.        , 0.        ]])

例如，上面告诉我们对于所有边 (u,v)：

最后，我们可以获得节点颜色列出的总权重。

>>> nx.attr_matrix(G, edge_attr="weight", node_attr="color", rc_order=rc)
matrix([[3., 2.],
        [2., 0.]])

因此，所有边 (u,v) 上的总权重，其中 u 和 v 具有颜色：