Python NetworkX pagerank_scipy用法及代碼示例

返回圖中節點的PageRank。

PageRank 根據傳入鏈接的結構計算圖 G 中節點的排名。它最初被設計為一種對網頁進行排名的算法。

參數：

G：圖形

NetworkX 圖表。無向圖將轉換為每個無向邊有兩條有向邊的有向圖。

alpha：浮點數，可選

PageRank 的阻尼參數，默認 = 0.85。

personalization: dict, optional：

“personalization vector” 由一個字典組成，其中一個鍵是圖形節點的一些子集和每個節點的個性化值。至少一個個性化值必須非零。如果未指定，節點個性化值將為零。默認情況下，使用均勻分布。

max_iter：整數，可選

冪法特征值求解器中的最大迭代次數。

tol：浮點數，可選

誤差容限用於檢查冪法求解器的收斂性。

nstart：字典，可選

每個節點的PageRank 迭代的起始值。

weight：鍵，可選

用作權重的邊數據鍵。如果 None 權重設置為 1。

dangling: dict, optional：

要分配給任何 “dangling” 節點的外邊，即沒有任何外邊的節點。 dict鍵是outedge指向的節點，dict value是outedge的權重。默認情況下，根據個性化向量(如果未指定，則統一)為懸空節點分配外邊。必須選擇此選項以產生不可約的轉移矩陣(請參閱google_matrix 下的注釋)。懸空字典與個性化字典相同可能很常見。

返回：

pagerank：字典

以 PageRank 為值的節點字典

拋出：

PowerIterationFailedConvergence

如果算法在冪迭代法的指定迭代次數內未能收斂到指定的容差。

注意：

特征向量計算使用具有SciPy 稀疏矩陣表示的冪迭代。

此實現適用於 Multi(Di)Graphs。對於多重圖，兩個節點之間的權重設置為這些節點之間所有邊權重的總和。

參考：

1

A. Langville and C. Meyer, “A survey of eigenvector methods of web information retrieval.” http://citeseer.ist.psu.edu/713792.html

2

Page, Lawrence; Brin, Sergey; Motwani, Rajeev and Winograd, Terry, The PageRank citation ranking: Bringing order to the Web. 1999 http://dbpubs.stanford.edu:8090/pub/showDoc.Fulltext?lang=en&doc=1999-66&format=pdf

例子：

>>> G = nx.DiGraph(nx.path_graph(4))
>>> pr = nx.pagerank_scipy(G, alpha=0.9)