python – 从度为> = 3的节点处拆分的图形中检索路径

python – 从度为> = 3的节点处拆分的图形中检索路径,第1张

概述当我向图表添加路径时: >>> graph = nx.MultiGraph() # Needs to be MultiGraph/MultiDiGraph.>>> graph.add_path([1,2,3,4,5])>>> graph.add_path([2,6,7])>>> graph.add_path([4,8,9,10,11]) 如何检索在度数> = 3的节点拆分的路径?所以我得 当我向图表添加路径时:

>>> graph = nx.MultiGraph()  # Needs to be MultiGraph/MultIDiGraph.>>> graph.add_path([1,2,3,4,5])>>> graph.add_path([2,6,7])>>> graph.add_path([4,8,9,10,11])

如何检索在度数> = 3的节点处拆分的路径?所以我得到:

[[1,2],[2,7],4],[4,11],5]]
解决方法 我假设你事先知道你的路径.如果你真的开始使用图表并希望将其“剥离”到路径中,请告诉我.我会建议另一种方法.

这是我想出来的,可能不是最快或最优雅的方式,但它应该工作:

import networkx as nxgraph = nx.MultiGraph()paths = [[1,5],11]]for path in paths:    graph.add_path(path)splitted_paths = []    # generate List of nodes at which the paths are to be splittedsplitting_nodes = [node for node in graph if graph.degree(node)>=3]for path in paths:    # find the splitting nodes in the current path    splitting_nodes_in_path = [node for node in splitting_nodes if node in path]    for splitting_node in splitting_nodes_in_path:        # get remaining path up to the current splitting node        path_pIEce = path[:path.index(splitting_node)+1]        if len(path_pIEce) > 1:            splitted_paths.append(path_pIEce)        # overwrite current path with the remaining path        path = path[path.index(splitting_node):]    # get the remaining pIEce from the last splitting node until the end of the current path    if len(path) > 1:                splitted_paths.append(path)print splitted_paths

希望这可以帮助!

编辑1:删除了一个不必要的for循环并添加了一些丢失的代码行

编辑2:如果您需要从图表开始,如@marcus评论建议,并希望在给定的路径列表中有两个路径“粘在一起”,如果它们连接没有度数> = 3的节点,你必须使用不同的方法.我没有时间完全编写我的想法来解决这个问题,但这里是我想要尝试的草图:

>编写一个函数cut(graph,node),它接受Networkx图和nodelabel并逐个节点替换节点(节点)新节点,每个节点连接到一个节点邻居(一个人必须想到一个聪明的方法来命名新节点),所以最终他们来自哪里清楚)
>将cut()应用于度数> = 3的所有节点,最后得到一个断开连接的图形,其中每个组件都是所需的分割路径之一

以下Networkx函数可能对此有用:remove_node(),subgraph(),all_simple_paths(),predecessor()Operators.

总结

以上是内存溢出为你收集整理的python – 从度为> = 3的节点处拆分的图形中检索路径全部内容,希望文章能够帮你解决python – 从度为> = 3的节点处拆分的图形中检索路径所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错,欢迎将内存溢出网站推荐给程序员好友。

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/langs/1195967.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-06-03
下一篇 2022-06-03

发表评论

登录后才能评论

评论列表(0条)

保存