scipy.sparse.csgraph.

construct_dist_matrix

scipy.sparse.csgraph.construct_dist_matrix(graph, predecessors, directed=True, null_value=np.inf)

从前驱矩阵构建距离矩阵

Added in version 0.11.0.

参数:

图类似数组或稀疏

有向或无向图的 N x N 矩阵表示。如果是密集的，则非边用零或无穷大表示。

前身array_like

每个节点的 N x N 前驱矩阵（见下文注释）。

有向的bool, 可选

如果为 True（默认），则在有向图上操作：仅沿路径 csgraph[i, j] 从点 i 移动到点 j。如果为 False，则在无向图上操作：算法可以从点 i 沿 csgraph[i, j] 或 csgraph[j, i] 移动到点 j。

null_valuebool, 可选

用于未连接节点之间距离的值。默认值是 np.inf。

返回:

dist_matrixndarray

沿着由前驱矩阵指定的路径上节点之间的距离的 N x N 矩阵。如果不存在路径，则距离为零。

注释

前驱矩阵的形式由 shortest_path 返回。前驱矩阵的第 i 行包含从点 i 出发的最短路径信息：每个条目 predecessors[i, j] 给出了从点 i 到点 j 的路径中前一个节点的索引。如果点 i 和点 j 之间不存在路径，则 predecessors[i, j] = -9999。

示例

Try it in your browser!

>>> import numpy as np
>>> from scipy.sparse import csr_matrix
>>> from scipy.sparse.csgraph import construct_dist_matrix

>>> graph = [
... [0, 1, 2, 0],
... [0, 0, 0, 1],
... [0, 0, 0, 3],
... [0, 0, 0, 0]
... ]
>>> graph = csr_matrix(graph)
>>> print(graph)
<Compressed Sparse Row sparse matrix of dtype 'int64'
    with 4 stored elements and shape (4, 4)>
    Coords  Values
    (0, 1)  1
    (0, 2)  2
    (1, 3)  1
    (2, 3)  3

>>> pred = np.array([[-9999, 0, 0, 2],
...                  [1, -9999, 0, 1],
...                  [2, 0, -9999, 2],
...                  [1, 3, 3, -9999]], dtype=np.int32)

>>> construct_dist_matrix(graph=graph, predecessors=pred, directed=False)
array([[0., 1., 2., 5.],
       [1., 0., 3., 1.],
       [2., 3., 0., 3.],
       [2., 1., 3., 0.]])

Go BackOpen In Tab