note
networkx
中的节点可以为任意可哈希的对象,比如字符串、图像、XML对象,甚至另一个Graph、自定义的节点对象。通过这种方式可以自由灵活地构建:图为节点、文件为节点、函数为节点,等灵活的图形式。networkx
中的基础API:G.add_edges_from
添加边,如edges = [edge for edge in zip(df['head'], df['tail'])]
然后G.add_edges_from(edges)
;G.add_node('刘备')
添加节点刘备
;nx.draw_networkx_nodes
绘制节点;nx.draw_networkx_edges
绘制连接;nx.draw()
可视化;
- 暂时省略:【B5】计算机网络图自定义节点图标 ;【B6】自我中心图(Ego图)
文章目录
一、Network创建图
1.1 创建内置图
(1)基础用图
import networkx as nx
# 全连接无向图
G = nx.complete_graph(7) # 7个节点
nx.draw(G)
G.size() # 计算全图的连接数
# 全连接有向图
G = nx.complete_graph(7, nx.DiGraph())
nx.draw(G)
G.is_directed() # 这时候会显示True
# 环状图(无向)
G = nx.cycle_graph(5)
nx.draw(G)
# 梯状图
G = nx.ladder_graph(5)
nx.draw(G)
# 星状图
G = nx.star_graph(7)
nx.draw(G)
# 轮辐图
G = nx.wheel_graph(8)
nx.draw(G)
其中星状图如图所示:
# 二项树
G = nx.binomial_tree(5)
# 二维矩形网格网
G = nx.grid_2d_graph(3,5)
# 多维矩阵网格网
G = nx.grid_graph(dim=(2, 3, 4))
# 二维六边形蜂窝图
G = nx.hexagonal_lattice_graph(2,3)
# n维超立方体图
G = nx.hypercube_graph(4)
# 无标度有向图
G = nx.scale_free_graph(100)
nx.draw(G)
n维超立方体图如下图所示:
无标度有向图:
(2)networkX自带数据集
# 空手道俱乐部数据集
G = nx.karate_club_graph()
nx.draw(G, with_labels=True)
G.nodes[5]["club"] # 'Mr. Hi'
# 雨果《悲惨世界》人物关系
G = nx.les_miserables_graph()
plt.figure(figsize=(12,10))
pos = nx.spring_layout(G, seed=10)
nx.draw(G, pos, with_labels=True)
# Florentine families graph
G = nx.florentine_families_graph()
nx.draw(G, with_labels=True)
# 社群聚类图
G = nx.caveman_graph(4, 3)
nx.draw(G, with_labels=True)
下图是雨果《悲惨世界》人物关系的图:
(3)树
tree = nx.random_tree(n=10, seed=0)
print(nx.forest_str(tree, sources=[0]))
1.2 创建连接表和邻接表
(1)得到所有的首位节点对,组成的列表;并且通过G.add_edges_from
存入图中。
import pandas as pd
import networkx as nx
import matplotlib.pyplot as plt
# 导入 csv 文件定义的三元组连接表,构建有向图
df = pd.read_csv('CS224W_GNN/networkx_exe/【A3】创建图-连接表和邻接表创建图/triples.csv')
df
我们读取的是《三国演义》任务的三元组数据,内容如下,根据[edge for edge in zip(df['head'], df['tail'])]
可以得到首尾节点对的列表。
G = nx.DiGraph()
edges = [edge for edge in zip(df['head'], df['tail'])]
# 增加边
G.add_edges_from(edges)
# 获取起点为关羽的节点对
G.edges('关羽') # OutEdgeDataView([('关羽', '刘备'), ('关羽', '张飞')])
# 节点排版布局-默认弹簧布局
pos = nx.spring_layout(G, seed=123)
plt.figure(figsize=(15,15))
nx.draw(G, pos=pos, with_labels=True)
# 查看全图参数
print(G) # DiGraph with 123 nodes and 144 edges
# 123个节点
len(G)
# 边数: 144
G.size()
(2)将所有节点对信息存入
# 显示所有的节点内容
G.nodes
# 保存并载入邻接表
for line in nx.generate_adjlist(G):
print(line)
# 将邻接表导出为本地文件 grid.edgelist
path = "/home/andy/【A3】创建图-连接表和邻接表创建图"
nx.write_edgelist(G, path= path + "/grid.edgelist", delimiter=":")
# 从本地文件 grid.edgelist 读取邻接表
H = nx.read_edgelist(path= path + "/grid.edgelist", delimiter=":")
# 可视化
plt.figure(figsize=(15,14))
pos = nx.spring_layout(H, iterations=3, seed=5)
nx.draw(H, pos, with_labels=True)
plt.show()
同时可以看到保存得到的邻接表文件grid.edgelist
内容如下:
1.3 添加节点
# 创建空图
G = nx.Graph()
G.nodes
nx.draw(G) # 可视化,啥都木有
# 添加单个节点
G.add_node('刘备')
G.add_node('Tommy')
# 添加多个节点
G.add_nodes_from(['诸葛亮', '曹操'])
G.add_nodes_from(range(100, 105))
G.nodes
# 添加带属性特征的节点
G.add_nodes_from([
('关羽',{'武器': '青龙偃月刀','武力值':90,'智力值':80}),
('张飞',{'武器': '丈八蛇矛','武力值':85,'智力值':75}),
('吕布',{'武器':'方天画戟','武力值':100,'智力值':70})
])
nx.draw(G, with_labels=True)
# nx.draw(G, pos, with_labels=True)
结果如下,其实通过G.add_node
也可以将子图H添加进G。
1.4 添加连接
# 创建多个节点
G.add_nodes_from([
(1, {'feature': 1, 'label': 1, 'zihao':3}),
(2, {'feature': 2, 'label': 2, 'zihao':4})
])
# 全图节点信息
G.number_of_nodes()
G.nodes(data=True)
# 遍历所有节点,data=True 表示输出节点特征属性信息
for node in G.nodes(data=True):
print(node)
'''
(0, {'feature': 5, 'label': 0, 'zihao': 2})
(1, {'feature': 1, 'label': 1, 'zihao': 3})
(2, {'feature': 2, 'label': 2, 'zihao': 4})
'''
# 创建连接
G.add_edge(0, 1, weight=0.5, like=3)
# 创建多个连接
G.add_edges_from([
(1, 2, {'weight': 0.3, 'like':5}),
(2, 0, {'weight': 0.1, 'like':8})
])
# 寻找指定节点所连接的所有节点
node_id = 1
G.degree[node_id]
# 指定节点的所有相邻节点
for neighbor in G.neighbors(node_id):
print("Node {} has neighbor {}".format(node_id, neighbor))
结果如下:
(0, {'feature': 5, 'label': 0, 'zihao': 2})
(1, {'feature': 1, 'label': 1, 'zihao': 3})
(2, {'feature': 2, 'label': 2, 'zihao': 4})
Node 1 has neighbor 0
Node 1 has neighbor 2
二、美国城市交通关系无向图
2.1 构图
读取的knuth_miles.txt
文件(部分内容如下图),也可通过官网找到该数据集:https://www.osgeo.cn/networkx/auto_examples/drawing/plot_knuth_miles.html
import gzip
import re
import matplotlib.pyplot as plt
import networkx as nx
import warnings
warnings.simplefilter("ignore")
# 1. 构图
fh = gzip.open("/home/andy/CS224W_GNN/networkx_exe/【B2】美国128城市交通关系无向图可视化/knuth_miles.txt.gz", "r")
G = nx.Graph()
G.position = {}
G.population = {}
cities = []
for line in fh.readlines(): # 遍历文件中的每一行
line = line.decode()
if line.startswith("*"): # 其它行,跳过
continue
numfind = re.compile(r"^\d+")
if numfind.match(line): # 记录城市间距离的行
dist = line.split()
for d in dist:
G.add_edge(city, cities[i], weight=int(d))
i = i + 1
else: # 记录城市经纬度、人口的行
i = 1
(city, coordpop) = line.split("[")
cities.insert(0, city)
(coord, pop) = coordpop.split("]")
(y, x) = coord.split(",")
G.add_node(city)
# assign position - Convert string to lat/long
x = -float(x) / 100
y = float(y) / 100
G.position[city] = (x, y)
pop = float(pop) / 1000
G.population[city] = pop
构建图G
后也可以像一中一样通过edges
、nodes
等查看图中边和节点信息(如G.edges
即128个城市的互通关系),这里也可通过G.position
查看不同城市的经纬度、G.population
查看不同城市的人口数:
2.2 筛选出距离小于阈值的城市对
# 查看纽约到里士满的交通距离
G.edges[('Rochester, NY', 'Richmond, VA')]
# 筛选出距离小于阈值的城市对
H = nx.Graph()
for v in G:
H.add_node(v)
for (u, v, d) in G.edges(data=True):
if d["weight"] < 800:
H.add_edge(u, v)
2.3 城市关系可视化
这里可视化,根据城市人口确定节点的大小,根据节点的度数确定城市节点的颜色,比如在一个交通枢纽发达的城市,其节点颜色就越明显。
# 节点颜色-节点度
node_color = [float(H.degree(v)) for v in H]
# 节点尺寸-节点人口
node_size = [G.population[v] for v in H]
fig = plt.figure(figsize=(12, 10))
nx.draw(
H,
G.position,
node_size=node_size,
node_color=node_color,
with_labels=False,
)
plt.show()
三、有向图可视化模板
(1)创建有向图, 初步可视化
# 0. 导入相关包
import networkx as nx
import matplotlib as mpl
import matplotlib.pyplot as plt
# 1. 创建有向图, 初步可视化
seed = 13648
G = nx.random_k_out_graph(10, 3, 0.5, seed=seed)
pos = nx.spring_layout(G, seed=seed)
nx.draw(G, pos, with_labels=True)
# 节点大小
node_sizes = [12 + 10 * i for i in range(len(G))]
# 节点颜色
M = G.number_of_edges()
edge_colors = range(2, M + 2)
# 节点透明度
edge_alphas = [(5 + i) / (M + 4) for i in range(M)]
# 配色方案
cmap = plt.cm.plasma
plt.figure(figsize=(10,8))
# 绘制节点
nodes = nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color="indigo")
# 绘制连接
edges = nx.draw_networkx_edges(
G,
pos,
node_size=node_sizes, # 节点尺寸
arrowstyle="->", # 箭头样式
arrowsize=20, # 箭头尺寸
edge_color=edge_colors, # 连接颜色
edge_cmap=cmap, # 连接配色方案
width=4 # 连接线宽
)
# 设置每个连接的透明度
for i in range(M):
edges[i].set_alpha(edge_alphas[i])
# 调色图例
pc = mpl.collections.PatchCollection(edges, cmap=cmap)
pc.set_array(edge_colors)
plt.colorbar(pc)
ax = plt.gca()
ax.set_axis_off()
plt.show()
四、国际象棋对局MultiDiGraph多路图可视化
任务:分析1886-1985年的国际象棋对局数据,绘制多路有向图,节点尺寸为胜利个数,连接宽度为对局个数。参考。
4.1 创建图和连通域分析
import pandas as pd
import networkx as nx
import matplotlib.pyplot as plt
df = pd.read_csv('/home/andy/networkx_exe/【B4】国际象棋对局MultiDiGraph多路图可视化/WCC.csv')
df.columns
'''
Index(['Date', 'EventDate', 'Event', 'Site', 'ECO', 'White', 'Black', 'Round',
'Result'],
dtype='object')
'''
# 1. 从连接表创建MultiDiGraph多路有向图
G = nx.from_pandas_edgelist(df, 'White', 'Black', edge_attr=True, create_using=nx.MultiDiGraph())
print('棋手(节点)个数', G.number_of_nodes()) # 25
print('棋局(连接)个数', G.number_of_edges()) # 685
pos = nx.spring_layout(G, seed=10)
nx.draw(G, pos) # 初步可视化
# 2. 连通域分析: 将G转为无向图,分析连通域
H = G.to_undirected()
for each in nx.connected_components(H):
print('连通域')
print(H.subgraph(each))
print('包含节点')
print(each)
print('\n')
4.2 设置边长和节点属性
和之前2.3一样规定边和节点可视化属性规则,如任意两个棋手之间的边长,和棋局数成正比;棋手节点大小和赢棋次数成正比;
# 将G转为无向-单连接图
H = nx.Graph(G)
# 两个棋手节点之间的 连接宽度 与 棋局个数 成正比
edgewidth = [len(G.get_edge_data(u, v)) for u, v in H.edges()]
# 棋手节点的大小 与 赢棋次数 成正比
wins = dict.fromkeys(G.nodes(), 0) # 生成每个棋手作为key的dict
for (u, v, d) in G.edges(data=True):
r = d["Result"].split("-")
if r[0] == "1":
wins[u] += 1.0
elif r[0] == "1/2":
wins[u] += 0.5
wins[v] += 0.5
else:
wins[v] += 1.0
nodesize = [wins[v] * 50 for v in H]
4.3 可视化
# 布局
pos = nx.kamada_kawai_layout(H)
# 手动微调节点的横坐标(越大越靠右)、纵坐标(越大越靠下)
pos["Reshevsky, Samuel H"] += (0.05, -0.10)
pos["Botvinnik, Mikhail M"] += (0.03, -0.06)
pos["Smyslov, Vassily V"] += (0.05, -0.03)
fig, ax = plt.subplots(figsize=(12, 12))
# 可视化连接
nx.draw_networkx_edges(H, pos, alpha=0.3, width=edgewidth, edge_color="m")
# 可视化节点
nx.draw_networkx_nodes(H, pos, node_size=nodesize, node_color="#210070", alpha=0.9)
# 节点名称文字说明
label_options = {"ec": "k", "fc": "white", "alpha": 0.7}
nx.draw_networkx_labels(H, pos, font_size=14, bbox=label_options)
# 标题和图例
font = {"fontname": "Helvetica", "color": "k", "fontweight": "bold", "fontsize": 16}
ax.set_title("World Chess Championship Games: 1886 - 1985", font)
# 图例字体颜色
font["color"] = "r"
# 文字说明
ax.text(
0.80,
0.10,
"edge width = # games played",
horizontalalignment="center",
transform=ax.transAxes,
fontdict=font,
)
ax.text(
0.80,
0.06,
"node size = # games won",
horizontalalignment="center",
transform=ax.transAxes,
fontdict=font,
)
# 调整图的大小,提高可读性
ax.margins(0.1, 0.05)
fig.tight_layout()
plt.axis("off")
plt.show()
五、北京上海地铁站图数据挖掘
5.1 读取数据
上海地铁线路图:http://www.shmetro.com
上海地铁时刻表:http://service.shmetro.com/hcskb/index.htm
北京地铁线路图:https://map.bjsubway.com
北京地铁时刻表:https://www.bjsubway.com/station/smcsj
# 一、读取数据: 上海地铁站点连接表
df = pd.read_csv('beijing_subway.csv')
# 创建无向图
G = nx.Graph()
# 从连接表创建图
for idx, row in df.iterrows(): # 遍历表格的每一行
G.add_edges_from([(row['前一站'], row['后一站'])], line=row['地铁线'], time=row['时间(分钟)'])
len(G) # 节点数402
len(G.nodes) # 节点数402
len(G.edges) # 边数480
# 二、可视化设置参数
# 节点排版布局-默认弹簧布局
pos = nx.spring_layout(G, seed=123)
plt.figure(figsize=(15,15))
nx.draw(G, pos=pos)
5.2 最短路径
主要是Networkx的一些判断两节点之间的一些接口。
# 任意两节点之间是否存在路径
nx.has_path(G, source='五道口', target='天安门东')
# 任意两节点之间的最短路径
nx.shortest_path(G, source='五道口', target='天安门东', weight='time')
# 任意两节点之间的最短路径长度
nx.shortest_path_length(G, source='五道口', target='天安门东', weight='time') # 59
# 全图平均最短路径
nx.average_shortest_path_length(G, weight='time')
5.3 地铁导航系统
这里可以做一个简易的地铁导航系统,比如判断从a站到b站的最短路径及其对应路程时间(当然在地铁中转换乘的时间没计入hh)。
# 指定起始站和终点站
A_station = "五道口"
B_station = "天安门东"
# 获取最短路径
shortest_path_list = nx.shortest_path(G, source=A_station, target=B_station, weight='time')
for i in range(len(shortest_path_list)-1):
previous_station = shortest_path_list[i]
next_station = shortest_path_list[i+1]
line_id = G.edges[(previous_station, next_station)]['line'] # 地铁线编号
time = G.edges[(previous_station, next_station)]['time'] # 时间
print('{}--->{} {}号线 {}分钟'.format(previous_station, next_station, line_id, time)) # 输出结果
# 最短路径长度
print('共计 {} 分钟'.format(nx.shortest_path_length(G, source=A_station, target=B_station, weight='time')))
输出结果为从起点到终点地铁路线的时间(包括每个站之间的时间):
五道口--->知春路 13号线 3分钟
知春路--->西土城 10号线 2分钟
西土城--->牡丹园 10号线 2分钟
牡丹园--->北太平庄 19号线 1分钟
北太平庄--->积水潭 19号线 3分钟
积水潭--->平安里 19号线 3分钟
平安里--->西四 4号线 2分钟
西四--->灵境胡同 4号线 2分钟
灵境胡同--->西单 4号线 2分钟
西单--->天安门西 1号线 2分钟
天安门西--->天安门东 1号线 2分钟
共计 24 分钟
5.4 Centrality 节点重要度
这里可以结合task2的节点特征工程复习。
(1)Node Degree
# 字典按值排序
def dict_sort_by_value(dict_input):
'''
输入字典,输出按值排序的字典
'''
return sorted(dict_input.items(),key=lambda x : x[1], reverse=True)
def draw(G, pos, measures, measure_name):
plt.figure(figsize=(20, 20)) # 先省去
nodes = nx.draw_networkx_nodes(G, pos, node_size=250, cmap=plt.cm.plasma,
node_color=list(measures.values()),
nodelist=measures.keys())
nodes.set_norm(mcolors.SymLogNorm(linthresh=0.01, linscale=1, base=10))
# labels = nx.draw_networkx_labels(G, pos)
edges = nx.draw_networkx_edges(G, pos)
plt.title(measure_name, fontsize=30)
# plt.colorbar(nodes) # 可选
plt.axis('off')
# 注意savefig需要在show之前运行
plt.savefig("【C5】北京上海地铁站图数据挖掘/" + measure_name + '.jpg')
plt.show()
draw(G, pos, dict(G.degree()), 'Node Degree')
(2)Degree Centrality
度中心性(Degree Centrality):
- 公式: C degree ( v ) = degree ( v ) N − 1 C_{\text {degree }}(v)=\frac{\operatorname{degree}(v)}{N-1} Cdegree (v)=N−1degree(v), 其中degree ( v ) (v) (v) 是节点 v \mathrm{v} v 的度, N \mathrm{N} N 是网络中的节点数。
- 解释:衡量节点在网络中的连接数量。在无向图中,它表示一个节点的邻居数量;在有向图中,可以进一步区分为入度中心性和出度中心性。
draw(G, pos, nx.degree_centrality(G), 'Degree Centrality')
(3)Eigenvector Centrality(可能不收敛)
特征向量中心性(Eigenvector Centrality):
- 公式: C eigenvector ( v ) = 1 λ ∑ u A u v C eigenvector ( u ) C_{\text {eigenvector }}(v)=\frac{1}{\lambda} \sum_u A_{u v} C_{\text {eigenvector }}(u) Ceigenvector (v)=λ1∑uAuvCeigenvector (u), 其中A 是邻接矩阵, λ \lambda λ 是最大特征值, A u v A_{uv} Auv是邻接矩阵中的元素,表示节点v和u之间是否有连接
- 解释: 衡量节点与高度中心节点的连接程度。特征向量中心性考虑了一个节点的邻居的重要性。一个节点如果连接到许多重要的节点,那么它本身也被认为是重要的。
dict_sort_by_value(nx.eigenvector_centrality(G))
draw(G, pos, nx.eigenvector_centrality(G), 'Eigenvector Centrality')
(4)Betweenness Centrality
介数中心性(Betweenness Centrality):
- 公式: C betweenness ( v ) = ∑ s , t ∈ V σ ( s , t ∣ v ) σ ( s , t ) C_{\text {betweenness }}(v)=\sum_{s, t \in V} \frac{\sigma(s, t \mid v)}{\sigma(s, t)} Cbetweenness (v)=∑s,t∈Vσ(s,t)σ(s,t∣v), 其中 σ ( s , t ) \sigma(s, t) σ(s,t) 是 s \mathrm{s} s 到 t \mathrm{t} t 的最短路径数量, σ ( s , t ∣ v ) \sigma(s, t \mid v) σ(s,t∣v) 是通过节点 v \mathrm{v} v 的 s \mathrm{s} s 到 t \mathrm{t} t 的最短路径数量。
- 解释:衡量节点在网络中作为最短路径的中间节点的程度。介数中心性衡量一个节点在所有节点对最短路径上出现的频率。高介数中心性的节点在网络中扮演“桥梁”的角色,连接网络的不同部分。
draw(G, pos, nx.betweenness_centrality(G), 'Betweenness Centrality')
(5)Closeness Centrality
接近中心性 (Closeness Centrality):
- 公式: C closeness ( v ) = 1 ∑ u d ( v , u ) C_{\text {closeness }}(v)=\frac{1}{\sum_u d(v, u)} Ccloseness (v)=∑ud(v,u)1, 其中 d ( v , u ) \mathrm{d}(\mathrm{v}, \mathrm{u}) d(v,u) 是节点 v \mathrm{v} v 到 u \mathrm{u} u 的最短路径长度。
- 解释:衡量节点到其他节点的平均最短路径的程度。描述”去哪儿都近“,可以看到下图中橙色节点是”高级枢纽“。Closeness Centrality反映了一个节点到图中其他所有节点的平均距离。一个高接近中心性的节点可以快速访问到网络中的其他节点。
draw(G, pos, nx.closeness_centrality(G), 'Closeness Centrality')
centrality = nx.closeness_centrality(G)
most_important_station = max(centrality, key=centrality.get)
print(f"接近中心性最高的站点是: {most_important_station}")
sorted_dict_desc = dict(sorted(centrality.items(), key=lambda item: item[1], reverse=True))
sorted_dict_desc
{'平安里': 0.1005524861878453,
'太平桥': 0.0969890754063416,
'车公庄': 0.09686003193187866,
'北海北': 0.09627082782332716,
'南锣鼓巷': 0.09583991574512901,
'积水潭': 0.09518828451882845,
'东四': 0.09476698776360323,
'牛街': 0.0945945945945946,
'新街口': 0.09395973154362416,
'景风门': 0.09379026024220562}
从上面打印的10个地铁站来看,感觉也比较符合“去哪儿都近的”,基本都是中转站/处于地铁图中部位置。
(6)Katz Centrality
Katz中心性考虑了到达每个节点的所有路径,并且对较短的路径赋予更高的权重。Katz中心性不仅考虑了直接的连接,还包括了通过其他节点的间接连接,通过一个衰减因子来减少长路径的权重。
draw(G, pos, nx.katz_centrality(G, alpha=0.1, beta=1.0), 'Katz Centrality')
(7)PageRank
PageRank算法通过网络中的链接结构来确定一个页面的重要性。原理是更多重要节点指向的节点,其自身也更重要。
draw(G, pos, nx.pagerank(G, alpha=0.85), 'PageRank')
六、计算全图Graphlet个数
graphlets是一种子图,关注局部结点的性质。一般对于指定数目的结点来构造相应结点数目的各种子图并区分子图中各种类型的结点。
# !/usr/bin/python
# -*- coding: utf-8 -*-
import networkx as nx
import matplotlib.pyplot as plt
import scipy
import pandas as pd
import matplotlib.colors as mcolors
import itertools
# 10. 子图Graphlet
G = nx.karate_club_graph()
# plt.figure(figsize=(10,8))
pos = nx.spring_layout(G, seed=123)
# nx.draw(G, pos, with_labels=True)
# 指定Graphlet
target = nx.complete_graph(3)
# nx.draw(target)
# 匹配Graphlet, 统计个数
num = 0
for sub_nodes in itertools.combinations(G.nodes(), len(target.nodes())): # 遍历全图中,符合graphlet节点个数的所有节点组合
# 从全图中抽取出子图
subg = G.subgraph(sub_nodes)
# 如果子图是完整连通域,并且符合graphlet特征,输出原图节点编号
if nx.is_connected(subg) and nx.is_isomorphic(subg, target):
num += 1
print(subg.edges())
print("=====test=======")
其他部分内容:
【C1】PageRank节点重要度
PageRank节点重要度
任务:计算有向图节点的PageRank节点重要度
注意:coo_array appears only in scipy version 1.8.0
,如果报错module 'scipy.sparse' has no attribute 'coo_array'
,则应该是版本问题,重新下载conda install scipy==1.8.0
即可。
【C2】节点连接数Node Degree度分析
【C3】棒棒糖图特征分析
【C4】计算节点特征
【C7】拉普拉斯矩阵特征值分解
附:时间安排
任务 | 任务内容 | 截止时间 | 注意事项 |
---|---|---|---|
2月11日开始 | |||
第一周 | |||
task1 | 图机器学习导论 | 2月14日周二 | 完成 |
task2 | 图的表示和特征工程 | 2月15、16日周四 | 完成 |
task3 | NetworkX工具包实践 | 2月17、18日周六 | 完成 |
第二周 | |||
task4 | 图嵌入表示 | 2月19、20日周一 | |
task5 | deepwalk、Node2vec论文精读 | 2月21、22日周三 | |
task6 | PageRank | 2月23、24日周五 | |
task7 | 标签传播与节点分类 | 2月25、26日周日 | |
第二周 | |||
task8 | 图神经网络基础 | 2月27、28日周二 | |
task9 | 图神经网络的表示能力 | 3月1日周三 | |
task10 | 图卷积神经网络GCN | 3月2日周四 | |
task11 | 图神经网络GraphSAGE | 3月3日周五 | |
task12 | 图神经网络GAT | 3月4日周六 |
Reference
[1] 传统图机器学习的特征工程-节点【斯坦福CS224W】
[2] cs224w(图机器学习)2021冬季课程学习笔记2: Traditional Methods for ML on Graphs
[3] NetworkX入门教程
[4] https://github.com/TommyZihao/zihao_course/tree/main/CS224W
[5] 斯坦福官方课程:https://web.stanford.edu/class/cs224w/
[6] 子豪兄github:https://github.com/TommyZihao/zihao_course
[7] NetworkX-常用图数据挖掘算法:https://networkx.org/documentation/stable/reference/algorithms/index.html
[8] NetworkX-节点重要度算法:https://networkx.org/documentation/stable/reference/algorithms/centrality.html
[9] NetworkX-Clustering算法:https://networkx.org/documentation/stable/reference/algorithms/clustering.html
[10] NetworkX-最短路径算法:https://networkx.org/documentation/stable/reference/algorithms/shortest_paths.html
https://aksakalli.github.io/2017/07/17/network-centrality-measures-and-their-visualization.html#degree-centrality
[11] AttributeError:模块‘scipy.sparse‘没有属性‘coo_array‘ (module ‘scipy.sparse‘ has no attribute ‘coo_array‘)
[12] networkX官方文档
[13] nx.draw画图时报错:AttributeError: module ‘scipy.sparse’ has no attribute ‘coo_array’
[14] 【Graph】NetworkX官方基础教程:图的生成与相关操作