我是 networkx 的新手，实际上对如何有效地找到节点的 n 度邻域有点困惑。节点 v_i 的 n 度邻域是距离 v_i 正好 n 跳的节点集合。给定一个指定的 n，我需要找到图/网络中每个节点的 n 度邻域。
假设我有下图，我想找到节点 v1 的 n=1 邻域。那将是v2和v3。接下来假设我想找到节点 v1 的 n=2 邻域，那么就是 v4。
【问题讨论】：
标签： python algorithm graph-algorithm networkx
使用 adj 矩阵找到 n 跳邻居
import networkx as nx
G = nx.Graph()
G.add_edges_from([('v1','v2'),('v2','v4'),('v1','v3')])
def n_neighbor(G, id, n_hop):
node = [id]
node_visited = set()
neighbors= []
while n_hop !=0:
neighbors= []
for node_id in node:
node_visited.add(node_id)
neighbors += [id for id in G.neighbors(node_id) if id not in node_visited]
node = neighbors
n_hop -=1
if len(node) == 0 :
return neighbors
return list(set(neighbors))
print(n_neighbor(G, 'v2', 1))
功能：
G: Networkx Graph
id : Root node Id to find neighbors
n_hop : hop length
返回：
Neighbor list
输出：
print(n_neighbor(G, 'v2', 1))
['v1', 'v4']
【讨论】：
n_neighbor() 返回不应该出现的重复邻居节点。经过测试和使用，在函数中将return neighbors 替换为return list(set(neighbors)) 会产生一个唯一列表。
nx.descendants_at_distance() 可以解决问题（尽管是为有向图设计的）：
G = nx.Graph()
G.add_edges_from([('v1', 'v2'), ('v2', 'v4'), ('v2', 'v4'), ('v1', 'v3')])
nx.descendants_at_distance(G, 'v1', distance=2) # returns {'v4'}
【讨论】：
当您在图上执行广度优先搜索时，从根节点 r 开始 - 节点被认为与 r 的距离越来越大。
因此，您只需要在执行 BFS 时跟踪节点的级别，请参阅http://en.wikipedia.org/wiki/Level_structure 以获得更全面的讨论。
【讨论】：
import networkx as nx
G = nx.Graph()
G.add_edges_from([('v1','v2'),('v2','v4'),('v1','v3')])
def neighborhood(G, node, n):
path_lengths = nx.single_source_dijkstra_path_length(G, node)
return [node for node, length in path_lengths.iteritems()
if length == n]
print(neighborhood(G, 'v1', 1))
# ['v2', 'v3']
print(neighborhood(G, 'v1', 2))
# ['v4']
【讨论】：
return [trick]中的代码技巧叫什么名字？我是 python 新手，我想了解这意味着什么。我想了解更多。
查找给定节点的 n 个邻居的最有效方法是使用深度优先搜索： http://en.wikipedia.org/wiki/Depth-first_search。下面的函数返回 start 的所有距离的邻居。但是，如果您需要找到所有节点的 n 个邻居，则对所有节点使用此函数并不是最有效的解决方案。相反，可以将此函数仅用于每个连接组件中的起始节点，并计算其他节点相对于起始节点的 n 邻居，但这会更加复杂。
import networkx as nx
def n_neighbor(G, start):
# {distance : [list of nodes at that distance]}
distance_nodes = {}
# nodes at distance 1 from the currently visited ones
next_shell = G.neighbors(start)
# set of all visited nodes
visited=set()
visited.add(start)
# how fare we are from start
distance = 0
# until we run out of nodes
while len(next_shell) > 0:
# this will be the next shell
shell_after_this = []
# update distance
distance += 1
distance_nodes[distance] = []
# update visited and distance_nodes
for node in next_shell:
visited.add(node)
distance_nodes[distance].append(node)
# compute shell_after_this
for node in next_shell:
# add neighbors to shell_after_this
# if they have not been visited already
for neighbor in G.neighbors(node):
if neighbor not in visited:
shell_after_this.append(neighbor)
# we repeat with the new_shell
next_shell = set(shell_after_this)
return distance_nodes
# example
G=nx.Graph()
G.add_edge(1,2)
G.add_edge(1,3)
G.add_edge(2,3)
G.add_edge(2,4)
G.add_edge(3,5)
G.add_edge(5,17)
G.add_edge(2,6)
print n_neighbor(G, 1)
【讨论】：