当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python SciPy csgraph.connected_components用法及代码示例


本文简要介绍 python 语言中 scipy.sparse.csgraph.connected_components 的用法。

用法:

scipy.sparse.csgraph.connected_components(csgraph, directed=True, connection='weak', return_labels=True)#

分析稀疏图的连通分量

参数

csgraph 数组 或稀疏矩阵

表示压缩稀疏图的 N x N 矩阵。输入的 csgraph 将被转换为 csr 格式进行计算。

directed 布尔型,可选

如果为 True(默认值),则对有向图进行操作:仅沿着路径 csgraph[i, j] 从点 i 移动到点 j。如果为 False,则在无向图上找到最短路径:算法可以沿着 csgraph[i, j] 或 csgraph[j, i] 从点 i 前进到 j。

connection str,可选

[‘weak’|‘强’]。对于有向图,要使用的连接类型。如果从 i 到 j 和从 j 到 i 的路径都存在,则节点 i 和 j 是强连接的。如果用无向边替换其所有有向边会产生一个连通(无向)图,则有向图是弱连通的。如果directed == False,则不引用此关键字。

return_labels 布尔型,可选

如果为 True(默认),则返回每个连接组件的标签。

返回

n_组件:int

连接组件的数量。

标签: ndarray

length-N 连接组件的标签数组。

参考

[1]

D. J. Pearce,“寻找有向图强连通分量的改进算法”,技术报告,2005

例子

>>> from scipy.sparse import csr_matrix
>>> from scipy.sparse.csgraph import connected_components
>>> graph = [
... [0, 1, 1, 0, 0],
... [0, 0, 1, 0, 0],
... [0, 0, 0, 0, 0],
... [0, 0, 0, 0, 1],
... [0, 0, 0, 0, 0]
... ]
>>> graph = csr_matrix(graph)
>>> print(graph)
  (0, 1)    1
  (0, 2)    1
  (1, 2)    1
  (3, 4)    1
>>> n_components, labels = connected_components(csgraph=graph, directed=False, return_labels=True)
>>> n_components
2
>>> labels
array([0, 0, 0, 1, 1], dtype=int32)

相关用法


注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.sparse.csgraph.connected_components。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。