Networkx：随机遍历有向图答案

【问题标题】：Networkx: Randomly Traverse directed graphNetworkx：随机遍历有向图
【发布时间】：2018-11-20 23:13:11
【问题描述】：

我有一个带加权边的有向图。每个节点都连接到其他每个节点，权重表示从节点 X 移动到节点 Y 的可能性（每个节点的权重之和 out = 1 - 这是一个随机矩阵）。

我需要创建一个函数，随机遍历图，每个节点只进出一次，返回起点

我不想返回最有可能的输出，只是第一次随机遍历树，它只命中每个节点一次并返回它所走的路径，以及它所走的每次跳跃的可能性。

这是我正在寻找的一个简单实现：

import pandas as pd
import numpy as np
from numpy.random import choice
import networkx as nx

testData = [('A','B',.5),('A','C',.4),('A','D',.1),('B','A',.5),('B','C',.3),('B','D',.2),('C','A',.3),('C','B',.1), 
            ('C','D',.6),('D','A',.35),('D','B',.15),('D','C',.5)]

G = nx.DiGraph()
G.add_weighted_edges_from(testData)

#traverse g from randomly selected starting node to every other node randomly and back to random start node
def randomWalk(g):
    start_node = choice(G.nodes())

    #dfs implementation available?

    return pathTaken

print (randomWalk(G))
>>> [('C','A',.3),('A':'D',.1),('D':'B',.15),('B':'C',.3)]

我找不到将随机游走组件合并到任何可用遍历算法的方法。

对我可以使用的可用实现有什么想法吗？如果可以避免的话，我宁愿不编写自定义 DFS...

谢谢！

【问题讨论】：

标签： python graph networkx

【解决方案1】：

我不知道你是否会认为这是一个可用的实现，但是这个：

random.sample(G.nodes(), len(G.nodes()))

由于图是强连接的，将为您的问题返回一个随机且有效的路径。

然后你需要处理结果以获得一个元组列表：

def random_walk(G):
    path = random.sample(G.nodes(), len(G.nodes()))
    return [(path[i-1], node, G[path[i-1]][node]['weight']) for i, node in enumerate(path)]

在你的例子中：

print(random_walk(G))
>>> [('B', 'C', 0.3), ('C', 'D', 0.6), ('D', 'A', 0.35), ('A', 'B', 0.5)]

【讨论】：

谢谢 - 这似乎不是基于可能性的加权 - 它只是返回它们。如果我要蒙特卡罗你的场景，连接两个节点的可能性不取决于权重（我不认为......）
你说得对，我以为你不想使用权重，我被I don't want to return the most likely output, just the first random walk through the tree that hits each node only once and returns the path it took弄糊涂了
我确实想使用权重，但我不想返回“最可能的路径”。基本上，如果我要运行蒙特卡罗场景，我观察到的平均结果应该是“最可能的路径”，但在任何单独的试验中都不需要。

【解决方案2】：

我最终做的是在使用节点时删除它们，然后将最后一个节点分配给第一个节点。在每一步，我都会重新加权以获得 100% 的可能性。我敢肯定这不是超级有效，但我的图表很小，所以没关系。然后我合并了每个项目最后发生的可能性。

matchedPath = []

currNode = choice(G.nodes())
firstNode = currNode

while G.number_of_nodes() >1:
    connectNodes = [x[1] for x in G.out_edges(currNode,data = True)]
    connectWeights = [x[2]['weight'] for x in G.out_edges(currNode,data = True)]
    remainingWeights = [z/sum(connectWeights) for z in connectWeights]

    nextNode = choice(connectNodes, 1, p=remainingWeights)[0]
    matchedPath.append((currNode,nextNode))

    G.remove_node(currNode)
    currNode = nextNode
matchedPath.append((currNode,firstNode))    

matched_df = pd.DataFrame(matchedPath,columns = ['from','to'])
matched_df = pd.merge(matched_df,rawData,how = 'outer',left_on =['from'],right_on = ['Name']).drop(['Name'],axis = 1)
matched_df = pd.merge(matched_df,link_df,how = 'left',left_on = ['from','to'],right_on = ['person_x','person_y']).drop(['person_x','person_y'],axis = 1)

【讨论】：