python - 使用 nx.to_numpy_array 时邻接矩阵中的有序节点

Question

我创建了一个带有一些边的图:

import networkx as nx

g = nx.Graph()
g.add_edge(1, 2)
g.add_edge(2, 6)
g.add_edge(3, 4)
g.add_edge(5, 6)

print(g.edges)

output-> (1, 2), (1, 5), (2, 6), (5, 6), (3, 4)

然后相邻 A通过使用图 g

nx.convert_matrix.to_numpy_array(g)

结果是:

array([[0., 1., 1., 0., 0., 0.],
       [1., 0., 0., 1., 0., 0.],
       [1., 0., 0., 1., 0., 0.],
       [0., 1., 1., 0., 0., 0.],
       [0., 0., 0., 0., 0., 1.],
       [0., 0., 0., 0., 1., 0.]])

可以看到相邻不匹配g如果您认为相邻元素的索引如下:

A :   1 2 3 4 5 6
     —————————————
  1 | 0 1 1 0 0 0
  2 | 1 0 0 1 0 0
  3 | 1 0 0 1 0 0
  4 | 0 1 1 0 0 0
  5 | 0 0 0 0 0 1
  6 | 0 0 0 0 1 0

例如:
上 A , 指数值 (1, 3) 等于 1 ，像往常一样，这意味着边 (1, 3) 存在，但实际上不存在!
如果我更改 A 的索引如下:

A :   1 2 5 6 3 4
     —————————————
  1 | 0 1 1 0 0 0
  2 | 1 0 0 1 0 0
  5 | 1 0 0 1 0 0
  6 | 0 1 1 0 0 0
  3 | 0 0 0 0 0 1
  4 | 0 0 0 0 1 0

比赛将在 edges 之间进行和 A .
我的问题
如何制作A的索引遵循正常顺序 -> 1,2,3,4...
先谢谢了~

Answer 1

节点出现的顺序是 to_numpy_matrix 的结果, 取决于边的插入顺序，即节点添加到图中的顺序。您可以使用 nx.to_pandas_adjacency 检查邻接矩阵的实际顺序。 :

g = nx.Graph()
g.add_edge(1, 2)
g.add_edge(2, 6)
g.add_edge(3, 4)
g.add_edge(5, 6)
g.edges()
# EdgeView([(1, 2), (2, 6), (6, 5), (3, 4)])

nx.to_pandas_adjacency(g)

     1    2    6    3    4    5
1  0.0  1.0  0.0  0.0  0.0  0.0
2  1.0  0.0  1.0  0.0  0.0  0.0
6  0.0  1.0  0.0  0.0  0.0  1.0
3  0.0  0.0  0.0  0.0  1.0  0.0
4  0.0  0.0  0.0  1.0  0.0  0.0
5  0.0  0.0  1.0  0.0  0.0  0.0

要获得具有有序节点的邻接矩阵，您可以使用 nodelist nx.to_numpy_matrix 中的参数，并为它提供一个排序的节点列表:

nx.to_numpy_matrix(g, nodelist=sorted(g.nodes()))

matrix([[0., 1., 0., 0., 0., 0.],
        [1., 0., 0., 0., 0., 1.],
        [0., 0., 0., 1., 0., 0.],
        [0., 0., 1., 0., 0., 0.],
        [0., 0., 0., 0., 0., 1.],
        [0., 1., 0., 0., 1., 0.]])

这与您通过重新索引邻接数据框中的轴得到的结果相同:

nodes_sorted = sorted(g.nodes())
nx.to_pandas_adjacency(g).reindex(index=nodes_sorted, columns=nodes_sorted)

    1    2    3    4    5    6
1  0.0  1.0  0.0  0.0  0.0  0.0
2  1.0  0.0  0.0  0.0  0.0  1.0
3  0.0  0.0  0.0  1.0  0.0  0.0
4  0.0  0.0  1.0  0.0  0.0  0.0
5  0.0  0.0  0.0  0.0  0.0  1.0
6  0.0  1.0  0.0  0.0  1.0  0.0