Python SciPy csgraph.johnson用法及代码示例

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

用法:

scipy.sparse.csgraph.johnson(csgraph, directed=True, indices=None, return_predecessors=False, unweighted=False)#

使用约翰逊算法计算最短路径长度。

Johnson 算法结合了Bellman-Ford 算法和 Dijkstra 算法，以一种对负循环存在鲁棒性的方式快速找到最短路径。如果检测到负循环，则会引发错误。对于没有负边权重的图，dijkstra 可能更快。

参数 ：：

csgraph： 数组、矩阵或稀疏矩阵，二维

表示输入图的 N x N 距离数组。

directed： 布尔型，可选

如果为 True(默认)，则在有向图上查找最短路径：仅沿着路径 csgraph[i, j] 从点 i 移动到点 j。如果为 False，则找到无向图上的最短路径：算法可以沿着 csgraph[i, j] 或 csgraph[j, i] 从点 i 前进到 j

indices： 数组 或 int，可选

如果指定，则仅计算给定索引处的点的路径。

return_predecessors： 布尔型，可选

如果为 True，则返回大小为 (N, N) 的前驱矩阵。

unweighted： 布尔型，可选

如果为真，则找到未加权的距离。也就是说，不是找到每个点之间的路径以使权重之和最小化，而是找到使边数最小化的路径。

返回 ：：

dist_matrix： ndarray

图节点之间距离的 N x N 矩阵。 dist_matrix[i,j] 给出图上从点 i 到点 j 的最短距离。

predecessors： ndarray

仅当 return_predecessors == True 时返回。 N x N 前驱矩阵，可用于重建最短路径。前驱矩阵的第 i 行包含从点 i 开始的最短路径信息：每个条目前驱[i, j] 给出从点 i 到点 j 的路径中前一个节点的索引。如果点 i 和 j 之间不存在路径，则前驱[i, j] = -9999

抛出 ：：

NegativeCycleError:：

如果图中有负循环

注意：

此例程专为具有负边权重的图设计。如果所有边权重都是正数，那么 Dijkstra 算法是更好的选择。

如果可能存在多个有效解决方案，则输出可能会因 SciPy 和 Python 版本而异。

例子：

>>> from scipy.sparse import csr_matrix
>>> from scipy.sparse.csgraph import johnson

>>> graph = [
... [0, 1, 2, 0],
... [0, 0, 0, 1],
... [2, 0, 0, 3],
... [0, 0, 0, 0]
... ]
>>> graph = csr_matrix(graph)
>>> print(graph)
  (0, 1)    1
  (0, 2)    2
  (1, 3)    1
  (2, 0)    2
  (2, 3)    3

>>> dist_matrix, predecessors = johnson(csgraph=graph, directed=False, indices=0, return_predecessors=True)
>>> dist_matrix
array([0., 1., 2., 2.])
>>> predecessors
array([-9999,     0,     0,     1], dtype=int32)