Python cugraph.centrality.betweenness_centrality.betweenness_centrality用法及代碼示例

用法: cugraph.centrality.betweenness_centrality.betweenness_centrality(G, k=None, normalized=True, weight=None, endpoints=False, seed=None, result_dtype=<class 'numpy.float64'>)

計算圖 G 的所有頂點的介數中心性。介數中心性是對通過頂點的最短路徑數量的度量。具有高中介中心性分數的頂點有更多的路徑通過它，因此被認為更重要。

為了提高性能。可以使用 k 個起始頂點的樣本，而不是執行 all-pair 最短路徑。

CuGraph 目前不支持 ‘endpoints’ and ‘weight’ 參數，如相應的 networkX 調用中所示。

參數：

G：cuGraph.Graph 或 networkx.Graph: 該圖可以是有向的 (Graph(directed=True)) 或無向的。圖中的權重被忽略，當前實現使用 BFS 遍曆。如果需要考慮權重，則使用權重參數(目前不支持)
k：int or list or None, optional (default=None): 如果 k 不是 None，則使用 k 個節點樣本來估計介數。較高的值給出更好的近似值。如果 k 是一個列表，則使用列表的內容進行估計：列表應該包含頂點標識符。如果 k 為 None(默認值)，則所有頂點都用於估計介數。通過采樣獲得的頂點或定義為列表的頂點將作為算法內部遍曆的源。
normalized：布爾型，可選: 默認為真。如果為真，則對於無向圖，介數值通過 __2 /((n - 1) * (n - 2))__ 標準化，對於有向圖，通過 __1 /((n - 1) * (n - 2))__ 標準化，其中n 是 G 中的節點數。歸一化將確保值在 [0, 1] 中，這種歸一化針對每個最短路徑穿過一個節點的最高可能值進行縮放。
weight：cudf.DataFrame，可選(默認=無): 指定要用於每條邊的權重。應該包含邊和權重之間的映射。 (不支持)
endpoints：布爾，可選(默認=假): 如果為真，則將端點包括在最短路徑計數中。 (不支持)
seed：可選的: 如果指定了 k 並且 k 是整數，則使用種子來初始化隨機數生成器。使用無作為種子依賴於隨機。seed() 行為：使用當前係統時間如果 k 為無或列表：種子參數被忽略
result_dtype：np.float32 或 np.float64，可選，默認=np.float64: 表示介數中心性分數的數據類型

df：cudf.DataFrame 或 Dictionary 如果使用 NetworkX

GPU 數據幀包含兩個大小為 V 的 cudf.Series：頂點標識符和相應的中介中心性值。請注意，生成的‘vertex’ 列可能不是按升序排列的。字典包含相同的兩列

df[‘vertex’]：cudf.Series: 包含頂點標識符
df[‘betweenness_centrality’]：cudf.Series: 包含頂點的中介中心性

例子：

>>> gdf = cudf.read_csv(datasets_path / 'karate.csv', delimiter=' ',
...                     dtype=['int32', 'int32', 'float32'], header=None)
>>> G = cugraph.Graph()
>>> G.from_cudf_edgelist(gdf, source='0', destination='1')
>>> bc = cugraph.betweenness_centrality(G)

相關用法

注：本文由純淨天空篩選整理自rapids.ai大神的英文原創作品 cugraph.centrality.betweenness_centrality.betweenness_centrality。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

例子：