网络节点txt转成矩阵并计算其特征值

应用场景：

提示：这里简述项目相关背景：

现有一个记录了网络节点信息的txt文本，文本中的数据类型都是整数，每一行前两个数字代表这两个节点之间存在连边，即文本前两列表示该网络中的节点连边。现在需要计算这个网络矩阵的特征值和特征向量。

---

正常状况下的代码：

import numpy as np

#将txt内容转换成矩阵
data = np.loadtxt('E:/za7za8/AB.txt')
matrix = np.array(data)

#计算特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(matrix)

#选择最大特征值和对应的特征向量
max_eigenvalue_index = np.argmax(eigenvalues)
max_eigenvalue = eigenvalues[max_eigenvalue_index]
max_eigenvector = eigenvectors[:, max_eigenvalue_index]

print("矩阵的特征值：", eigenvalues)
print("矩阵的特征向量：", eigenvectors)
print("最大特征值：", max_eigenvalue)
print("对应的特征向量：", max_eigenvector)

有时候用array可能会报错，于是升级版代码：

import numpy as np

# 加载txt文件并转换为二维数组
data = np.loadtxt('AB.txt', delimiter=' ')

# 创建零矩阵
n = int(data.max() + 1)  # 节点数为最大节点值加1
matrix = np.zeros((n, n))

# 设置连边值
for row in data:
    node1, node2 = row
    int_node1 = int(node1)
    int_node2 = int(node2)
    matrix[int_node1, int_node2] = 1
    matrix[int_node2, int_node1] = 1  # 如果网络是无向的，可以设置对称的连边值

#计算矩阵的特征值绝对值
eigenvalues = np.abs(np.linalg.eigvals(matrix))

#找到特征值绝对值中的最大值
max_abs_eigenvalue = np.max(eigenvalues)

print("矩阵特征值绝对值的最大值:", max_abs_eigenvalue)

问题描述

提示：这里描述项目中遇到的问题：

问题1：数字与数字之间的空格个数不确定，且该txt中有不止两列数字。

解决代码：

import numpy as np

#将txt文件并转换为二维数组，这步很容易报错
data = np.loadtxt('your/path', delimiter=None,  usecols=(0, 1),dtype=int)

#创建零矩阵
n = int(data.max() + 1)  # 节点数为最大节点值加1
matrix = np.zeros((n, n))

# 设置连边值
for row in data:
    node1, node2 = row
    int_node1 = int(node1)
    int_node2 = int(node2)
    matrix[int_node2, int_node1] = 1 
    #如果是无向图则再加一行matrix[int_node1, int_node2] = 1

#计算矩阵的特征值绝对值
eigenvalues = np.abs(np.linalg.eigvals(matrix))

#找到特征值绝对值中的最大值
max_abs_eigenvalue = np.max(eigenvalues)

print("矩阵的特征值绝对值的最大值:",max_abs_eigenvalue)

---

问题2：矩阵节点数过大，内存小算不出来

方案一：

import numpy as np
from scipy.sparse import lil_matrix
from scipy.sparse.linalg import eigsh

#加载txt文件并转换为二维数组
data = np.loadtxt('AB.txt', delimiter=None, usecols=(0, 1), dtype=int)

#获取节点数和创建稀疏矩阵
n = np.max(data) + 1  # 节点数为最大节点值加1
matrix = lil_matrix((n, n))

#设置连边值
for row in data:
    node1, node2 = row
    matrix[node1, node2] = 1
    matrix[node2, node1] = 1  # 如果网络是无向的，可以设置对称的连边值

#计算矩阵的特征值绝对值
eigenvalues, _ = eigsh(matrix, k=1, which='LM')

#找到特征值绝对值中的最大值
max_abs_eigenvalue = np.abs(eigenvalues[0])

print("矩阵特征值绝对值的最大值:", max_abs_eigenvalue)

方案二：

import numpy as np
from scipy.sparse import coo_matrix
from scipy.sparse.linalg import eigsh

# 逐行读取txt文件并构建稀疏矩阵
rows = []
cols = []
with open('AB.txt', 'r') as file:
    for line in file:
        data = line.strip().split()
        node1, node2 = int(data[0]), int(data[1])
        rows.append(node1)
        cols.append(node2)
        rows.append(node2)
        cols.append(node1)

# 获取节点数和创建稀疏矩阵
n = max(max(rows), max(cols)) + 1  # 节点数为最大节点值加1
matrix = coo_matrix((np.ones(len(rows)), (rows, cols)), shape=(n, n))

# 计算矩阵的特征值绝对值
eigenvalues, _ = eigsh(matrix, k=1, which='LM')

# 找到特征值绝对值中的最大值
max_abs_eigenvalue = np.abs(eigenvalues[0])

print("矩阵特征值绝对值的最大值:", max_abs_eigenvalue)

方案三：

import numpy as np
from scipy.sparse import coo_matrix
from scipy.sparse.linalg import eigsh, LinearOperator
from scipy.sparse.linalg.eigen.arpack import ArpackNoConvergence

#逐行读取txt文件并构建稀疏矩阵
rows = []
cols = []
with open('AB.txt', 'r') as file:
    for line in file:
        data = line.strip().split()
        node1, node2 = int(data[0]), int(data[1])
        rows.append(node1)
        cols.append(node2)
        rows.append(node2)
        cols.append(node1)

#获取节点数和创建稀疏矩阵
n = max(max(rows), max(cols)) + 1  # 节点数为最大节点值加1
matrix = coo_matrix((np.ones(len(rows)), (rows, cols)), shape=(n, n))

#定义线性算子
def matvec(x):
    return matrix.dot(x)

linear_operator = LinearOperator((n, n), matvec)

#计算矩阵的特征值绝对值
try:
    eigenvalues, _ = eigsh(linear_operator, k=1, which='LM', maxiter=1000)
except ArpackNoConvergence:
    eigenvalues = np.array([np.nan])

#找到特征值绝对值中的最大值
max_abs_eigenvalue = np.abs(eigenvalues[0])

print("矩阵特征值绝对值的最大值:", max_abs_eigenvalue)

最后，如果还是算不出来，考虑对矩阵进行归一化（不确定特征值是否不变，仅仅记录）

import numpy as np
from scipy.sparse import coo_matrix
from scipy.sparse.linalg import eigsh

#逐行读取txt文件并构建稀疏矩阵
rows = []
cols = []
with open('E:/WR.txt', 'r') as file:
    for line in file:
        data = line.strip().split()
        node1, node2 = int(data[0]), int(data[1])
        rows.append(node1)
        cols.append(node2)
        rows.append(node2)
        cols.append(node1)

#获取节点数和创建稀疏矩阵
n = max(max(rows), max(cols)) + 1  # 节点数为最大节点值加1
matrix = coo_matrix((np.ones(len(rows)), (rows, cols)), shape=(n, n))

#归一化缩放节点数值
normalized_matrix = matrix / np.max(matrix)

#计算归一化后矩阵的特征值绝对值
eigenvalues, _ = eigsh(normalized_matrix, k=1, which='LM')

#找到特征值绝对值中的最大值
max_abs_eigenvalue = np.abs(eigenvalues[0])

print("矩阵特征值绝对值的最大值:", max_abs_eigenvalue)