使用igraph python

问题描述

我有一个example.cvc文件，其中包含以下值：

pos= [180 270 360 450 540 630 720 810]
mean_values= [(270,630),(540,720),(270,810),(450,(180,360),540),(360,(630,450),720)]

平均值基本上来自2d高斯混合模型。根据我的理解，标签可以表示顶点（8），mean_values可以称为边（12）。

关于数据：pos基本上由蓝色和黄色圆圈表示，而均值对应于哪个与哪个pos有关。因此，例如，在180,360,540和720个标签值中，有180个连接到360,540，720，如箭头所示，并由以下均值表示：[（180,360），（180,540），（180,720）]和类似的结果可以与其他pos，

关于如何使用igraph获得这样的结果的任何想法。我进行了几次搜索，但没有任何想法。我是igraph的新手，不胜感激。预先感谢

解决方法

首先，您需要像这样计算最接近的点集（请注意，我可以自由地从列表而不是文件中读取数据，可以相应地对其进行更改）：

import numpy as np

a = np.asarray([640.,270.,450.,230.,180.,540.,360.,610.,360.])
b = np.asarray([810.,630.,810.,760.,720.,540.])


closest_mapping = []

for node in a:
    # Subtract node from each element in b
    # and get the absolute value
    dist_list = np.absolute(np.array(b) - node)

    # Find the element in b with the min. absolute value
    min_element = b[np.argmin(dist_list)]

    # Create a tuple of (node,min_element) and add it to list.
    # This will be used to plot a graph later. 
    # Note that the second element is stored as a string.
    closest_mapping.append((node,str(min_element)))

当我们绘制图形时，我将第二个元素存储为字符串的原因将被清除。您可以自己查看要验证的点

print(closest_mapping)
#[(640.0,'630.0'),# (270.0,'360.0'),# (450.0,'450.0'),# (230.0,# (180.0,# (540.0,'540.0'),# (360.0,# (610.0,'360.0')]

我不知道如何使用igraph绘制二部图，因此我将为此使用NetworkX：

import networkx as nx

# Create an empty graph
G = nx.Graph()

# Add the edges from the list we created
G.add_edges_from(closest_mapping)

# Create a bipartite layout 
pos = nx.bipartite_layout(G,a)

# Draw the Graph
nx.draw(G,pos,with_labels=True,node_size=900,node_color='y')

左侧的节点来自A，而右侧的节点来自B。

如果要查找每对节点的最近距离

import numpy as np
import networkx as nx

a = np.asarray([640.,540.])


closest_mapping = []

# Find mapping for A->B
for node in a:
    # Subtract node from each element in b
    # and get the absolute value
    dist_list = np.absolute(np.array(b) - node)

    # Find the element in b with the min. absolute value
    min_element = b[np.argmin(dist_list)]

    # Create a tuple of (node,str(min_element)))

# Find Mapping for B->A
for node in b:
    # Subtract node from each element in b
    # and get the absolute value
    dist_list = np.absolute(np.array(a) - node)

    # Find the element in b with the min. absolute value
    min_element = a[np.argmin(dist_list)]

    # Create a tuple of (node,min_element) and add it to list.
    # This will be used to plot a graph later. 
    # Note that the first element is stored as a string.
    closest_mapping.append((str(node),min_element))


# Create an empty graph
G = nx.Graph()

# Add the edges from the list we created
G.add_edges_from(closest_mapping)

# Create a bipartite layout 
pos = nx.bipartite_layout(G,node_color='y')

注意将列表B中的节点存储为字符串的原因是，如果将它们保留为整数/浮点并且它们在图表A中具有相同的值不会是二分的（即使两个节点在逻辑上都不相同，它也不会注册重复的节点，因此我将一个节点列表保留为字符串）。

更新： 根据更新后的问题，您可以使用NetworkX直接添加节点和边，如下所示：

将networkx导入为nx

pos= [180,270,360,450,540,630,720,810]
mean_values= [(270,630),(540,720),(270,810),(450,(180,360),540),(360,(630,450),720)]
 
G = nx.Graph()
G.add_nodes_from(pos)
G.add_edges_from(mean_values)

pos = nx.spring_layout(G)
nx.draw(G,node_size=500,node_color='y')

您可以将nx.DiGraph用于这样的定向边缘

import networkx as nx

pos= [180,720)]
 
G = nx.DiGraph()
G.add_nodes_from(pos)
G.add_edges_from(mean_values)

pos = nx.spring_layout(G)
nx.draw(G,node_color='y')

参考：

• Bipartite Graphs in NetworkX
• Bipartite Layout
• Numpy argmin