邻接矩阵实现无向图的创建并根据louvain算法实现分区

1 要安装的包

使用community安装python-louvain即可
pip install python-louvain
pip install networkx

2、描述

  lst1=[ [0, 1, 1, 1, 1, 1, 0, 0],  [0, 0, 1, 0, 1, 0, 0, 0],  [0, 0, 0, 1, 0, 0, 0, 0],  [0, 0, 0, 0, 1, 0, 0, 0],  [0, 0, 0, 0, 0, 1, 0, 0],  [0, 0, 1, 0, 0, 0, 1, 1],  [0, 0, 0, 0, 0, 1, 0, 1],  [0, 0, 0, 0, 0, 1, 1, 0]  ]由邻接矩阵lst1生成如下无向图

再根据louvain算法进行分区得到下图

3、程序

import numpy as np
import community.community_louvain
import networkx as nx
import matplotlib.pyplot as plt
#图类
class Graph_Matrix:"""Adjacency Matrix"""def __init__(self, vertices=[], matrix=[]):""":param vertices:a dict with vertex id and index of matrix , such as {vertex:index}:param matrix: a matrix"""self.matrix = matrixself.edges_dict = {}  # {(tail, head):weight}self.edges_array = []  # (tail, head, weight)self.vertices = verticesself.num_edges = 0# if provide adjacency matrix then create the edges listif len(matrix) > 0:if len(vertices) != len(matrix):raise IndexErrorself.edges = self.getAllEdges()self.num_edges = len(self.edges)# if do not provide a adjacency matrix, but provide the vertices list, build a matrix with 0elif len(vertices) > 0:self.matrix = [[0 for col in range(len(vertices))] for row in range(len(vertices))]self.num_vertices = len(self.matrix)def isOutRange(self, x):try:if x >= self.num_vertices or x <= 0:raise IndexErrorexcept IndexError:print("节点下标出界")def isEmpty(self):if self.num_vertices == 0:self.num_vertices = len(self.matrix)return self.num_vertices == 0def add_vertex(self, key):if key not in self.vertices:self.vertices[key] = len(self.vertices) + 1# add a vertex mean add a row and a column# add a column for every rowfor i in range(self.getVerticesNumbers()):self.matrix[i].append(0)self.num_vertices += 1nRow = [0] * self.num_verticesself.matrix.append(nRow)def getVertex(self, key):passdef add_edges_from_list(self, edges_list):  # edges_list : [(tail, head, weight),()]for i in range(len(edges_list)):self.add_edge(edges_list[i][0], edges_list[i][1], edges_list[i][2], )def add_edge(self, tail, head, cost=0):# if self.vertices.index(tail) >= 0:#   self.addVertex(tail)if tail not in self.vertices:self.add_vertex(tail)# if self.vertices.index(head) >= 0:#   self.addVertex(head)if head not in self.vertices:self.add_vertex(head)# for directory matrixself.matrix[self.vertices.index(tail)][self.vertices.index(head)] = cost# for non-directory matrix# self.matrix[self.vertices.index(fromV)][self.vertices.index(toV)] = \#   self.matrix[self.vertices.index(toV)][self.vertices.index(fromV)] = costself.edges_dict[(tail, head)] = costself.edges_array.append((tail, head, cost))self.num_edges = len(self.edges_dict)def getEdges(self, V):passdef getVerticesNumbers(self):if self.num_vertices == 0:self.num_vertices = len(self.matrix)return self.num_verticesdef getAllVertices(self):return self.verticesdef getAllEdges(self):for i in range(len(self.matrix)):for j in range(len(self.matrix)):if 0 < self.matrix[i][j] < float('inf'):self.edges_dict[self.vertices[i], self.vertices[j]] = self.matrix[i][j]self.edges_array.append([self.vertices[i], self.vertices[j], self.matrix[i][j]])return self.edges_arraydef __repr__(self):return str(''.join(str(i) for i in self.matrix))def to_do_vertex(self, i):print('vertex: %s' % (self.vertices[i]))def to_do_edge(self, w, k):print('edge tail: %s, edge head: %s, weight: %s' % (self.vertices[w], self.vertices[k], str(self.matrix[w][k])))if __name__=='__main__':th1 = np.array([[0, 1, 1, 1, 1, 1, 0, 0],[0, 0, 1, 0, 1, 0, 0, 0],[0, 0, 0, 1, 0, 0, 0, 0],[0, 0, 0, 0, 1, 0, 0, 0],[0, 0, 0, 0, 0, 1, 0, 0],[0, 0, 1, 0, 0, 0, 1, 1],[0, 0, 0, 0, 0, 1, 0, 1],[0, 0, 0, 0, 0, 1, 1, 0]])#根据邻接矩阵生成图nodes=[i for i in range(8)]my_graph = Graph_Matrix(nodes, th1)G = nx.Graph()  # 建立一个空的无向图G#将点和邻接关系加入到图中for node in my_graph.vertices:G.add_node(str(node))for edge in my_graph.edges:G.add_edge(str(edge[0]), str(edge[1]))#根据louvain算法计算最佳分区partition = community.community_louvain.best_partition(G)size = float(len(set(partition.values())))pos = nx.spring_layout(G)count = 0.for com in set(partition.values()) :count = count + 1.list_nodes = [nodes for nodes in partition.keys()if partition[nodes] == com]nx.draw_networkx_nodes(G, pos, list_nodes, node_size = 20,node_color = str(count / size))#绘制#nx.draw_networkx_edges(G,pos, alpha=0.5, edge_color='#00649a')nx.draw_networkx_edges(G,pos, width=1.0,edge_color='k',style='solid',alpha=None)plt.show()

参考文章如下：
Python社区发现—Louvain—networkx和community
Python 邻接矩阵实现无向图、有向图的三种方法，并绘图显示

邻接矩阵实现无向图的创建并根据louvain算法实现分区相关推荐

实现教材算法7.2利用邻接矩阵构造无向图的算法，在此基础上进行深度优先遍历和广度优先遍历。
软件学院实验报告姓名: 学号: 专业: 年级: 课程名称数据结构实验名称实验9.图的遍历实验的准备阶段实验内 ...
python画矩阵图_Python根据已知邻接矩阵绘制无向图操作示例
本文实例讲述了Python根据已知邻接矩阵绘制无向图操作.分享给大家供大家参考,具体如下: 有六个点:[0,1,2,3,4,5,6],六个点之间的邻接矩阵如表格所示,根据邻接矩阵绘制出相对应的图 0 ...
社区发现不得不了解的库，包含Louvain 算法、Girvan-Newman 算法等多种社区发现算法，还具有可视化功能
熟知社区发现算法,你不能错过这个 Python 库.它涵盖 Louvain 算法.Girvan-Newman 算法等多种社区发现算法,还具有可视化功能. 网络是由一些紧密相连的节点组成的,并且根据不同 ...
基于无向图的城市间快递派送算法
1.题目分析 1.1题目简介假设你为快递公司设计快递投递路线优化程序.(1)每个市有个中转分发点,有些城市之间有直通路线,有些城市之间没有直通路线:(2)城市与城市之间的运费计算公式为:距离*1 ...
Community detection｜模块度含义理解｜Louvain算法
文章目录 Community detection:团伙挖掘/社团发现 Modularity:模块度模块度增益 Louvain算法 Community detection:团伙挖掘/社团发现利用图拓 ...
创建分区表+分区表的分类+创建散列分区表+查看散列分区表分区中的数据+创建列表分区表+查看列表分区表分区中的数据...
创建分区表分区表的分类范围分区:对数据表的某个值的范围进行分区,需要使用partition by range字句. 散列分区: 1通过hash算法均匀分布数据的一种分区类型. 2通过在I/O设备上 ...
louvain算法_单细胞聚类（四）图解Leiden算法对Louvain算法的优化
Louvain算法是目前单细胞分析中最常用的聚类算法[1],Seurat/Scanpy/RaceID等单细胞分析工具都默认louvain算法.6天前HumanCell Atlas(HCA)团队发表在N ...
单细胞算法-聚类-louvain算法
单细胞算法-聚类-louvain算法什么是Louvain算法 Louvain算法是利用度量社区模块度进行聚类的一个算法. 关于模块度的介绍: link 关于louvain算法的介绍: https:/ ...
Louvain 算法
Louvain 算法简介 Louvain 算法是一种基于贪心的社群发现算法,其主要思想是将节点不断地聚合成社区(community),并最大化社区内部的连通性以及社区之间的连接弱化.该算法的特点在于 ...
MATLAB强化学习实战(十二) 创建自定义强化学习算法的智能体
创建自定义强化学习算法的智能体创建环境定义策略自定义智能体类智能体属性构造函数相关函数可选功能创建自定义智能体训练自定义智能体自定义智能体仿真本示例说明如何为您自己的自定义强化学 ...

邻接矩阵实现无向图的创建并根据louvain算法实现分区

1 要安装的包

2、描述

3、程序

邻接矩阵实现无向图的创建并根据louvain算法实现分区相关推荐

最新文章

热门文章