蓝砂石的博客

原创 (python)改进的k-shell算法来识别关键节点 The improved k-shell algorithm(IKS)

一.介绍k-shell算法中很多节点的kshell值相同，无法区分它们的重要性，因此对k-shell算法进行了改进，提出了IKS算法二.算法思路熵是用来表示信息的不确定性，熵越大表示信息的不确定性越大。这篇文章将熵扩展到了复杂网络中，称为节点信息熵。节点信息熵越大，节点影响力越大。是对每个shell中的节点用信息熵排序，再重复从每个shell中取熵最大的节点。三.公式令节点viv_{i}vi​的度为kik_{i}ki​，节点viv_{i}vi​的重要性 lil_{i}li​:li=ki∑

原创 DataFrame添加列名，查看均值等，seaborn

查看数据seaborn画图简单好看（看两两特征的关系，对角线是自己和自己）dropna()处理缺失值

原创 卷积神经网络的卷积过程

原创 python 文件夹操作（获取当前路径，新建文件夹，判断文件是否存在）

获取当前路径import ospath = os.getcwd()新建文件夹path = path+"/uploads"if not os.path.exists(path1): os.makedirs(path1)

原创 (Python编程)稳定的copra算法(copra-ep)

一.介绍按节点的熵值和相似性进行了排序，按排序结果进行标签传播二.代码#coding=utf-8import randomfrom numpy import *import timeimport copyimport networkx as nx#每个节点的度数，每个节点的邻居节点，总边数def Degree_Sorting(Adjmartrix,vertices,G): degree_s = [[i,0] for i in range(vertices)] nei

原创 python的格式化输出

在print中加入f参数，变量放入{}name = "张三"score = 99print(f"{name}同学的成绩是：{score}")