to_numpy_array#

to_numpy_array(G, nodelist=None, dtype=None, order=None, multigraph_weight=<built-in function sum>, weight='weight', nonedge=0.0)[source]#

返回图的邻接矩阵作为NumPy数组。

Parameters:
G图

用于构造NumPy数组的NetworkX图。

nodelist列表, 可选

行和列根据 nodelist 中的节点进行排序。 如果 nodelist 为 None ，则排序由 G.nodes() 生成。

dtypeNumPy数据类型, 可选

用于初始化数组的NumPy数据类型。如果为None，则使用NumPy默认值。如果 weight=None ，dtype可以是结构化的， 在这种情况下，dtype字段名称用于查找边属性。结果是一个结构化数组，其中dtype中的每个命名字段对应于该边属性的邻接关系。 详见示例。

order{‘C’, ‘F’}, 可选

是否在内存中以C-或Fortran-连续（行或列）顺序存储多维数据。如果为None，则使用NumPy默认值。

multigraph_weight可调用对象, 可选

确定如何在多重图中处理权重的函数。该函数应接受一系列权重并返回单个值。默认是汇总多条边的权重。

weight字符串或None, 可选 (默认 = ‘weight’)

用于边权重的边属性。如果边没有该属性，则使用值1。如果使用结构化dtype， weight 必须为 None 。

nonedge类数组 (默认 = 0.0)

邻接矩阵中表示非边的值。通常将对应于非边的数组值设置为零。然而，如果有实际边也具有零值，这可能不合适。 如果需要，可以将非边设置为其他值，例如 nan 。

Returns:
ANumPy ndarray

图的邻接矩阵

Raises:
NetworkXError

如果 dtype 是结构化dtype且 G 是多重图

ValueError

如果 dtype 是结构化dtype且 weight 不是 None

See also

from_numpy_array

Notes

对于有向图，条目 i, j 对应于从 i 到 j 的边。

邻接矩阵中的条目由 weight 边属性给出。当边没有权重属性时，条目值设置为1。对于多条（平行）边，条目值由 multigraph_weight 参数确定。 默认是汇总每条平行边的权重属性。

当 nodelist 不包含 G 中的每个节点时，邻接矩阵是根据 nodelist 中节点诱导的 G 的子图构建的。

图中自环边的约定是将对角线数组条目值分配给边的权重属性（如果没有权重属性，则为1）。如果希望采用边权重加倍的替代约定，可以按如下方式修改生成的NumPy数组：

>>> import numpy as np
>>> G = nx.Graph([(1, 1)])
>>> A = nx.to_numpy_array(G)
>>> A
array([[1.]])
>>> A[np.diag_indices_from(A)] *= 2
>>> A
array([[2.]])

Examples

>>> G = nx.MultiDiGraph()
>>> G.add_edge(0, 1, weight=2)
0
>>> G.add_edge(1, 0)
0
>>> G.add_edge(2, 2, weight=3)
0
>>> G.add_edge(2, 2)
1
>>> nx.to_numpy_array(G, nodelist=[0, 1, 2])
array([[0., 2., 0.],
       [1., 0., 0.],
       [0., 0., 4.]])

当使用 nodelist 参数时， G 中未出现在 nodelist 中的节点及其边不会包含在邻接矩阵中。以下是一个示例：

>>> G = nx.Graph()
>>> G.add_edge(3, 1)
>>> G.add_edge(2, 0)
>>> G.add_edge(2, 1)
>>> G.add_edge(3, 0)
>>> nx.to_numpy_array(G, nodelist=[1, 2, 3])
array([[0., 1., 1.],
       [1., 0., 0.],
       [1., 0., 0.]])

此函数还可用于为多个边属性创建具有结构化dtype的邻接矩阵：

>>> G = nx.Graph()
>>> G.add_edge(0, 1, weight=10)
>>> G.add_edge(1, 2, cost=5)
>>> G.add_edge(2, 3, weight=3, cost=-4.0)
>>> dtype = np.dtype([("weight", int), ("cost", float)])
>>> A = nx.to_numpy_array(G, dtype=dtype, weight=None)
>>> A["weight"]
array([[ 0, 10,  0,  0],
       [10,  0,  1,  0],
       [ 0,  1,  0,  3],
       [ 0,  0,  3,  0]])
>>> A["cost"]
array([[ 0.,  1.,  0.,  0.],
       [ 1.,  0.,  5.,  0.],
       [ 0.,  5.,  0., -4.],
       [ 0.,  0., -4.,  0.]])

如上所述，”nonedge”参数在图中实际存在权重为0的边时特别有用。将非边值设置为不同于0的值，可以更清楚地区分这些0权重边和实际的非边值。

>>> G = nx.Graph()
>>> G.add_edge(3, 1, weight=2)
>>> G.add_edge(2, 0, weight=0)
>>> G.add_edge(2, 1, weight=0)
>>> G.add_edge(3, 0, weight=1)
>>> nx.to_numpy_array(G, nonedge=-1.0)
array([[-1.,  2., -1.,  1.],
       [ 2., -1.,  0., -1.],
       [-1.,  0., -1.,  0.],
       [ 1., -1.,  0., -1.]])
On this page