6.数据结构 - 图-CSDN博客

本文链接：https://blog.csdn.net/mj256115/article/details/139789425

图是计算机科学中的一种抽象数据类型，用来表示一组对象（称为顶点或节点）之间的相互关系。在图的数据结构中，顶点之间的相互关系称为边。图可以用于表示各种网络结构，如社交网络、交通网络、电路设计等。

图的分类

无向图：如果图中的边没有方向性，即边是双向的，那么这个图就是无向图。
有向图：如果图中的边具有方向性，即从一个顶点指向另一个顶点，那么这个图就是有向图。
加权图：图中的边可以有权重，表示从一个顶点到另一个顶点的代价或距离。
无权图：图中的边没有权重，每个边的成本或距离都是相同的。

图的表示方法

邻接矩阵：使用一个二维数组来表示图，其中矩阵的行和列代表顶点，矩阵的元素表示顶点之间的边。如果矩阵的[i][j]位置为非零值，则表示顶点i和顶点j之间存在边。
邻接表：使用一个列表的数组来表示图，列表中的每个元素是一个链表，链表中的元素代表与该顶点相邻的顶点。

图的基本操作

添加顶点：向图中添加一个新的顶点。
添加边：在两个顶点之间添加一条边。
删除顶点：从图中删除一个顶点及其所有相连的边。
删除边：删除两个顶点之间的边。
遍历图：通过图的遍历算法（如深度优先搜索DFS或广度优先搜索BFS）来访问图中的所有顶点。

示例代码

以下是使用Python实现的图的基本操作示例：

# 使用邻接表表示图
class Graph:
    def __init__(self):
        self.graph = {}  # 字典存储邻接表

    def add_vertex(self, vertex):
        if vertex not in self.graph:
            self.graph[vertex] = []

    def add_edge(self, src, dest):
        if src in self.graph and dest in self.graph:
            self.graph[src].append(dest)
            # 如果是无向图，还需要添加下面的代码
            # self.graph[dest].append(src)

    def remove_vertex(self, vertex):
        if vertex in self.graph:
            for v in self.graph[vertex]:
                self.graph[v].remove(vertex)
            del self.graph[vertex]

    def remove_edge(self, src, dest):
        if src in self.graph and dest in self.graph[src]:
            self.graph[src].remove(dest)
            # 如果是无向图，还需要添加下面的代码
            # self.graph[dest].remove(src)

    def display(self):
        for vertex in self.graph:
            print(f"{vertex}: {self.graph[vertex]}")

# 创建图
g = Graph()
g.add_vertex(1)
g.add_vertex(2)
g.add_vertex(3)
g.add_edge(1, 2)
g.add_edge(1, 3)

# 显示图
g.display()

1. 添加顶点

添加顶点通常涉及到在数据结构中为新顶点分配空间。在邻接表中，这可能意味着在列表中添加一个新的条目。

def add_vertex(self, vertex):
    if vertex not in self.graph:
        self.graph[vertex] = []  # 初始化邻接表

2. 添加边

添加边涉及到在两个顶点的邻接表中相互引用。

def add_edge(self, src, dest):
    if src in self.graph and dest in self.graph:
        self.graph[src].append(dest)  # 无向图
        # 如果是有向图，不需要添加下面的代码
        # self.graph[dest].append(src)

3. 删除顶点

删除顶点需要从图中移除该顶点，并更新所有与该顶点相连的边。

def remove_vertex(self, vertex):
    if vertex in self.graph:
        for v in self.graph[vertex]:  # 移除所有指向该顶点的边
            self.graph[v].remove(vertex)
        del self.graph[vertex]  # 从图中删除顶点

4. 删除边

删除边需要从两个顶点的邻接表中移除相互的引用。

def remove_edge(self, src, dest):
    if src in self.graph and dest in self.graph[src]:
        self.graph[src].remove(dest)
        # 如果是无向图，还需要添加下面的代码
        # if dest in self.graph and src in self.graph[dest]:
        #     self.graph[dest].remove(src)

5. 图的遍历

图的遍历通常使用深度优先搜索（DFS）或广度优先搜索（BFS）算法。以下是DFS的实现示例：

def dfs(self, start, visited=None):
    if visited is None:
        visited = set()
    visited.add(start)
    print(start)  # 访问顶点
    for neighbor in self.graph[start]:
        if neighbor not in visited:
            self.dfs(neighbor, visited)

BFS的实现需要使用队列：

from collections import deque

def bfs(self, start):
    visited = set()
    queue = deque([start])
    while queue:
        vertex = queue.popleft()
        if vertex not in visited:
            print(vertex)  # 访问顶点
            visited.add(vertex)
            queue.extend(neighbor for neighbor in self.graph[vertex] if neighbor not in visited)

完整的图类示例

将上述方法整合到一个Graph类中：

class Graph:
    def __init__(self):
        self.graph = {}

    def add_vertex(self, vertex):
        if vertex not in self.graph:
            self.graph[vertex] = []

    def add_edge(self, src, dest):
        if src in self.graph and dest in self.graph:
            self.graph[src].append(dest)
            # 对于无向图，添加下面的代码
            # self.graph[dest].append(src)

    def remove_vertex(self, vertex):
        if vertex in self.graph:
            for v in self.graph[vertex]:
                self.graph[v].remove(vertex)
            del self.graph[vertex]

    def remove_edge(self, src, dest):
        if src in self.graph and dest in self.graph[src]:
            self.graph[src].remove(dest)
            # 对于无向图，添加下面的代码
            # self.graph[dest].remove(src)

    def dfs(self, start, visited=None):
        if visited is None:
            visited = set()
        visited.add(start)
        print(start)
        for neighbor in self.graph[start]:
            if neighbor not in visited:
                self.dfs(neighbor, visited)

    def bfs(self, start):
        visited = set()
        queue = deque([start])
        while queue:
            vertex = queue.popleft()
            if vertex not in visited:
                print(vertex)
                visited.add(vertex)
                queue.extend(neighbor for neighbor in self.graph[vertex] if neighbor not in visited)

    def display(self):
        for vertex in self.graph:
            print(f"{vertex}: {self.graph[vertex]}")

图的项目实践通常涉及到实际问题建模、选择合适的图数据结构、实现图算法以及优化性能等方面。以下是一些常见的图项目实践案例以及相应的代码展示。

1. 社交网络分析

问题描述：分析社交网络中的用户关系，找出社交网络中的关键影响者或社区。

实践步骤：

收集用户数据和用户之间的关系。
使用图数据结构表示社交网络。
实现社区检测算法，如Louvain方法或Girvan-Newman算法。

代码示例（使用Python的NetworkX库）：

import networkx as nx
import community as community_louvain

# 创建社交网络图
G = nx.Graph()

# 添加节点和边
G.add_edge("Alice", "Bob")
G.add_edge("Bob", "Cathy")
# ... 添加更多节点和边

# 社区检测
partition = community_louvain.best_partition(G)

# 打印社区划分结果
for com in set(partition.values()):
    print("Community:", com)
    for node in partition:
        if partition[node] == com:
            print(node)

2. 路径查找

问题描述：在地图或网络中查找从一个点到另一个点的最短路径。

实践步骤：

将地图或网络转换为图数据结构。
实现最短路径算法，如Dijkstra算法或A*算法。

代码示例（使用Dijkstra算法）：

import heapq

def dijkstra(graph, start):
    distances = {vertex: float('infinity') for vertex in graph}
    distances[start] = 0
    priority_queue = [(0, start)]
    
    while priority_queue:
        current_distance, current_vertex = heapq.heappop(priority_queue)

        if current_distance > distances[current_vertex]:
            continue

        for neighbor, weight in graph[current_vertex].items():
            distance = current_distance + weight

            if distance < distances[neighbor]:
                distances[neighbor] = distance
                heapq.heappush(priority_queue, (distance, neighbor))
    
    return distances

# 图的邻接表表示
graph = {
    'A': {'B': 1, 'C': 4},
    'B': {'A': 1, 'C': 2, 'D': 5},
    'C': {'A': 4, 'B': 2, 'D': 1},
    'D': {'B': 5, 'C': 1}
}

print(dijkstra(graph, 'A'))

3. 图的可视化

问题描述：将图以可视化的方式展示，帮助用户更好地理解图的结构。

实践步骤：

使用图数据结构表示数据。
使用可视化库，如Graphviz或NetworkX，将图绘制出来。

代码示例（使用NetworkX和Matplotlib）：

import networkx as nx
import matplotlib.pyplot as plt

# 创建图
G = nx.Graph()

# 添加节点和边
G.add_edges_from([("A", "B"), ("B", "C"), ("C", "D"), ("D", "A")])

# 绘制图
nx.draw(G, with_labels=True)
plt.show()

4. 网络流量分析

问题描述：分析网络中的流量分布，识别瓶颈或异常流量。

实践步骤：

将网络流量数据转换为图。
实现流量分析算法，如最大流最小割定理。

代码示例（使用Ford-Fulkerson算法计算最大流）：

from networkx.algorithms.flow import maximum_flow
from networkx.algorithms.flow import edmonds_karp

# 创建网络图
G = nx.DiGraph()

# 添加边和容量
G.add_edge('A', 'B', capacity=10)
G.add_edge('A', 'C', capacity=10)
G.add_edge('B', 'D', capacity=4)
G.add_edge('C', 'D', capacity=8)
G.add_edge('D', 'E', capacity=9)

# 计算最大流
flow_value, flow_dict = maximum_flow(G, 'A', 'E', algorithm=edmonds_karp)

print("Maximum flow:", flow_value)

5. 图的着色问题

问题描述：在图论中，图的着色问题是指如何给图的每个顶点分配颜色，使得没有两个相邻的顶点具有相同的颜色，同时使用的颜色数量最少。

实践步骤：

将问题建模为图。
实现贪心算法或回溯算法来解决图的着色问题。

代码示例（贪心算法）：

def graph_coloring(graph):
    color = {}
    colors_used = set()

    for node in graph:
        if node not in color:
            for c in range(1, len(graph) + 1):  # 假设最多需要len(graph)种颜色
                if all(node != neighbor for neighbor in graph[node] if (neighbor, c) not in color.items()):
                    color[node] = c
                    colors_used.add(c)
                    break

    return color, len(colors_used)

# 图的邻接表表示
graph = {
    'A': ['B', 'C'],
    'B': ['A', 'D'],
    'C': ['A', 'D'],
    'D': ['B', 'C']
}

coloring, num_colors = graph_coloring(graph)
print("Vertex coloring:", coloring)
print("Number of colors used:", num_colors)

6. 网络爬虫

问题描述：网络爬虫是一种自动遍历网页并收集数据的程序，可以视为一种图遍历问题。

实践步骤：

将网页建模为图的节点，网页之间的链接为边。
实现爬虫算法，如广度优先搜索（BFS）。

代码示例（简单的网络爬虫）：

def crawl(start_url, visited=None):
    if visited is None:
        visited = set()
    visited.add(start_url)
    print(f"Crawling: {start_url}")
    # 假设有一个函数get_links(url)可以获取url的所有链接
    links = get_links(start_url)
    for link in links:
        if link not in visited:
            crawl(link, visited)

# 假设有一个起始网页URL
start_url = "http://example.com"

# 开始爬取
crawl(start_url)

7. 推荐系统

问题描述：推荐系统通过分析用户的行为和偏好，向用户推荐可能感兴趣的项目。

实践步骤：

将用户和项目建模为图的节点，用户和项目之间的交互为边。
实现推荐算法，如协同过滤。

代码示例（基于用户的协同过滤）：

from sklearn.metrics.pairwise import cosine_similarity

# 假设有一个用户-项目评分矩阵
ratings_matrix = [
    [5, 3, 0, 0],
    [4, 0, 0, 1],
    [1, 1, 0, 5],
    [1, 0, 5, 4],
    [0, 1, 5, 4]
]

# 计算用户之间的相似度
user_similarity = cosine_similarity(ratings_matrix)

# 推荐系统函数
def recommend(user_index, num_recommendations):
    similar_users = sorted(
        enumerate(user_similarity[user_index]),
        key=lambda x: x[1],
        reverse=True
    )
    
    recommendations = set()
    for similar_user, _ in similar_users[1:num_recommendations+1]:
        for item_index, rating in enumerate(ratings_matrix[similar_user]):
            if rating > 0 and item_index not in ratings_matrix[user_index]:
                recommendations.add(item_index)
    
    return recommendations

# 获取用户0的推荐
print("Recommendations for user 0:", recommend(0, 2))

8. 网络流量分析（进阶）

问题描述：分析网络流量，识别异常模式或攻击行为。

实践步骤：

使用图表示网络结构，流量数据作为边的属性。
实现异常检测算法，如社区检测或异常点检测。

代码示例（使用Isolation Forest进行异常点检测）：

from sklearn.ensemble import IsolationForest

# 假设有一组网络流量数据
network_traffic = [
    # 特征1, 特征2, ..., 特征N, 标签（正常=0，异常=1）
    [100, 50, 0, 0, 0],
    [500, 300, 0, 1, 0],
    # ... 更多数据
]

# 提取特征和标签
X = network_traffic[:, :-1]
y = network_traffic[:, -1]

# 训练Isolation Forest模型
clf = IsolationForest(contamination=0.1)
clf.fit(X)

# 预测新流量数据的异常
new_traffic = [[200, 100, 0, 0, 0]]
print("Anomaly score:", clf.decision_function(new_traffic))

1. 社区检测（使用更高级的算法）

问题描述：在社交网络或生物网络中检测社区结构。

实践步骤：

使用图表示网络结构。
应用高级社区检测算法，如Louvain方法。

代码示例（使用Python的community库）：

import networkx as nx
import community as community_louvain

# 创建图
G = nx.read_edgelist("path_to_edgelist.txt", create_using=nx.Graph(), nodetype=int)

# 社区检测
partition = community_louvain.best_partition(G)

# 打印社区划分结果
for com in set(partition.values()):
    print("Community:", com)
    for node in partition:
        if partition[node] == com:
            print(node)

2. 图数据库的使用

问题描述：使用图数据库处理大规模图数据。

实践步骤：

选择合适的图数据库，如Neo4j或ArangoDB。
将数据导入图数据库。
执行复杂的查询和分析。

代码示例（使用Cypher查询语言在Neo4j中查询）：

// 查询所有社区，并返回社区中的节点和边
MATCH (c:Community)-[:MEMBER]->member
RETURN c.name, collect(member)

3. 动态图的实时处理

问题描述：实时处理动态变化的图数据，如股票交易网络。

实践步骤：

使用支持动态图的库或框架，如Apache Spark GraphX。
实现实时图处理逻辑。

代码示例（使用Apache Spark GraphX进行实时图处理）：

import org.apache.spark.SparkContext
import org.apache.spark.graphx._

val sc: SparkContext = new SparkContext(/* ... */)

// 假设有一个图
val graph: Graph[Int, Int] = /* ... */

// 实时图处理逻辑
val updatedGraph = graph.outerJoinVertices(/* ... */) {
  case (vid, oldVal, Some(updVal)) => updVal
  case (vid, oldVal, None) => oldVal
}

// 执行操作
updatedGraph.cache()
// ...

4. 图的分布式处理

问题描述：在分布式环境中处理大规模图数据。

实践步骤：

使用支持分布式计算的框架，如Apache Spark。
将图数据分布到多个计算节点上。
执行分布式图算法。

代码示例（使用Apache Spark处理大规模图数据）：

from pyspark import SparkContext
from pyspark.graphx import GraphFrame

sc = SparkContext(appName="DistributedGraphProcessing")

# 读取图数据
vertices = sc.parallelize([(1, "A"), (2, "B"), (3, "C")])
edges = sc.parallelize([(1, 2, "AB"), (2, 3, "BC")])
graph = GraphFrame(vertices, edges)

# 执行分布式图算法
result = graph.pagerank(0.0001)

5. 图的机器学习

问题描述：应用图机器学习算法解决复杂问题，如节点分类或图分类。

实践步骤：

使用图嵌入技术将图数据转换为低维向量。
应用机器学习模型进行节点分类或图分类。

代码示例（使用Node2Vec进行图嵌入）：

from node2vec import Node2Vec

# 创建Node2Vec模型
node2vec = Node2Vec(G, dimensions=64, walk_length=30, num_walks=200, workers=4)

# 学习节点嵌入
model = node2vec.fit(window=10, min_count=1, batch_size=1)

# 获取节点的嵌入向量
embedding = model.wv['1']  # 假设我们要获取节点1的嵌入