Python cugraph.link_analysis.pagerank.pagerank用法及代碼示例

用法: cugraph.link_analysis.pagerank.pagerank(G, alpha=0.85, personalization=None, max_iter=100, tol=1e-05, nstart=None, weight=None, dangling=None)

找到圖中每個頂點的 PageRank 分數。 cuGraph 使用冪方法計算 Pagerank 特征向量的近似值。迭代次數取決於網絡本身的屬性；當容差減少和/或 alpha 向極限值 1 增加時，它會增加。用戶可以自由使用默認值或為初始猜測、容差和最大迭代次數提供輸入。

參數：

G：cugraph.Graph 或 networkx.Graph

cuGraph 圖說明符，應包含連接信息作為邊列表。如果不存在，則將計算轉置的鄰接表。

alpha：浮點數，可選(默認=0.85)

阻尼因子 alpha 表示跟隨出邊的概率，標準值為 0.85。因此，1.0-alpha 是“teleport” 到隨機頂點的概率。 Alpha 應大於 0.0 並嚴格低於 1.0。

personalization：cudf.Dataframe，可選(默認=無)

包含個性化信息的 GPU 數據幀。

個性化[‘vertex’]：cudf.Series: 用於個性化的圖形頂點子集
個性化[‘values’]：cudf.Series: 頂點的個性化值

max_iter：int，可選(默認=100)

返回答案之前的最大迭代次數。這可用於限製執行時間並在求解器達到收斂容差之前提前退出。如果此值小於或等於 0，cuGraph 將使用默認值，即 100。

tol：浮點數，可選(默認=1e-05)

設置容差的近似值，這個參數應該是一個小的幅度值。容差越低，近似值越好。如果該值為 0.0f，cuGraph 將使用默認值 1.0E-5。由於數值舍入，容差設置太小會導致不收斂。通常 0.01 和 0.00001 之間的值是可以接受的。

nstart：cudf.Dataframe，可選(默認=無)

包含 pagerank 初始猜測的 GPU 數據幀。

nstart[‘vertex’]：cudf.Series: 圖的頂點子集，用於 pagerank 值的初始猜測
nstart[‘values’]：cudf.Series: 頂點的頁麵排名值

weight: str, optional (default=None)：

如果 Graph 是 NetworkX Graph，則用作邊權重的屬性列。此參數用於 NetworkX 兼容性，在 cugraph.Graph 的情況下被忽略

dangling：dict，可選(默認=無)

此參數用於 NetworkX 兼容性並被忽略

PageRank：cudf.DataFrame

GPU 數據幀包含兩個大小為 V 的 cudf.Series：頂點標識符和相應的 PageRank 值。

df[‘vertex’]：cudf.Series: 包含頂點標識符
df[‘pagerank’]：cudf.Series: 包含 PageRank 分數

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')
>>> pr = cugraph.pagerank(G, alpha = 0.85, max_iter = 500, tol = 1.0e-05)

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.link_analysis.pagerank.pagerank。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：