您基本上是在寻求一种可以计算图中连通分量的算法。尽管您可以使用 DFS 或 BFS 手动编写它，但有时使用诸如 scipy.sparse.csgraph.connected_components 之类的现成解决方案会更方便。
您必须以算法可以消化的方式转换图表。
反转键和值
反转键和值并构建字典dct。
from collections import defaultdict
from scipy.sparse.csgraph import connected_components
from scipy.sparse import csr_matrix
edge_dict = {
'ED7':[[15,-10,0], [20,-10,0]],
'ED10':[[0,0,0],[10,0,0]],
'ED13':[[15,0,0], [20,0,0]],
'ED4':[[20,0,0], [25,0,0]],
'ED2':[[15,0,0], [10,0,0]],
'ED5':[[0,-10,0],[10,-10,0]],
'ED6':[[15,-10,0], [10,-10,0]],
'ED8':[[20,-10,0], [25,-10,0]]
}
edge_pairs = [ ['ED10', 'ED5'], ['ED4', 'ED8'] ]
dct = defaultdict(list)
for item in edge_dict.items():
key = item[0]
value = item[1]
for lst in value:
hashed_lst = str(lst)
dct[hashed_lst].append(key)
print(dct)
这将是dct 的输出。
# defaultdict(<class 'list'>, {'[15, -10, 0]': ['ED7', 'ED6'],
# '[20, -10, 0]': ['ED7', 'ED8'],
# '[0, 0, 0]': ['ED10'],
# '[10, 0, 0]': ['ED10', 'ED2'],
# '[15, 0, 0]': ['ED13', 'ED2'],
# '[20, 0, 0]': ['ED13', 'ED4'],
# '[25, 0, 0]': ['ED4'],
# '[0, -10, 0]': ['ED5'],
# '[10, -10, 0]': ['ED5', 'ED6'],
# '[25, -10, 0]': ['ED8']})
邻接表
-
为您的 ED 标签创建一个 adjacency list 并将其命名为 graph_dct。如果两个标签之间有边，则它们属于同一组。
graph_dct = defaultdict(list)
对于 dct.values() 中的 lst：
对于 lst 中的项目：
对于 lst 中的 item2：
如果项目！=项目2：
graph_dct[item].append(item2)
打印（graph_dct）
这将是graph_dct 的输出。
# graph_dct :
# defaultdict(<class 'list'>, {'ED7': ['ED6', 'ED8'],
# 'ED6': ['ED7', 'ED5'],
# 'ED8': ['ED7'], 'ED10': ['ED2'],
# 'ED2': ['ED10', 'ED13']
# 'ED13': ['ED2', 'ED4'],
# 'ED4': ['ED13'], 'ED5': ['ED6']})
邻接矩阵
这是 scipy 连通分量算法的要求。我们必须将邻接列表转换为adjacency matrix。它将被称为sparse_matrix。
graph_dct_keys = list(graph_dct.keys());
sparse_matrix = []
for key in graph_dct_keys:
row = [0] * len(graph_dct_keys)
for item in graph_dct[key]:
row[graph_dct_keys.index(item)] = 1
sparse_matrix.append(row)
算法
现在我们将sparse_matrix 传递给连通组件算法，然后它会为您提供组。
components = csr_matrix(sparse_matrix)
n_components, labels = connected_components(csgraph=components, directed=False, return_labels=True)
labels_dct = defaultdict(list)
for idx, item in enumerate(labels):
labels_dct[str(item)].append(graph_dct_keys[idx])
print(labels_dct.values())
# dict_values([
# ['ED7', 'ED6', 'ED8', 'ED5'],
# ['ED10', 'ED2', 'ED13', 'ED4']
# ])
results = list(labels_dct.values())
现在您有了results，这是一个标签列表，可用于轻松构建您的预期答案。
排序
接下来我们根据需求对results进行排序，生成期望的答案。
results = [['ED7', 'ED6', 'ED8', 'ED5'], ['ED10', 'ED2', 'ED13', 'ED4']]
rib1_edges = ['ED10', 'ED5']
rib2_edges = ['ED4', 'ED8']
for idx,lst in enumerate(results):
results[idx] = sorted(lst, key=lambda x: int(x.lstrip('ED')) )
for idx,lst in enumerate(results):
results[idx] = [ x for x in rib1_edges if x in lst ] + \
[ x for x in lst if x not in rib1_edges and x not in rib2_edges ] + \
[ x for x in rib2_edges if x in lst ]
print(results)
这将给出所需的结果，
[['ED5', 'ED6', 'ED7', 'ED8'], ['ED10', 'ED2', 'ED13', 'ED4']].
得到答案
请注意，如果您使用低于 3.6 的 Python 版本，则无法保证此字典会按插入顺序排列。在这种情况下，密钥可能会以 Python 内部算法确定的任何看似随机的顺序出现。
因此，如果您运行的是 Python 3.6+，则可以使用字典，但为了可移植性，最好使用 OrderedDict。
from collections import OrderedDict
edge_dict = {
'ED7':[[15,-10,0], [20,-10,0]],
'ED10':[[0,0,0],[10,0,0]],
'ED13':[[15,0,0], [20,0,0]],
'ED4':[[20,0,0], [25,0,0]],
'ED2':[[15,0,0], [10,0,0]],
'ED5':[[0,-10,0],[10,-10,0]],
'ED6':[[15,-10,0], [10,-10,0]],
'ED8':[[20,-10,0], [25,-10,0]]
}
result = [
['ED5', 'ED6', 'ED7', 'ED8'],
['ED10', 'ED2', 'ED13', 'ED4']
]
answer = []
for lst in result:
od = OrderedDict()
for item in lst:
od[item] = edge_dict[item]
answer.append(od)
import pprint
pp = pprint.PrettyPrinter()
pp.pprint(answer)
然后这会给我们预期的答案。
[OrderedDict([('ED5', [[0, -10, 0], [10, -10, 0]]),
('ED6', [[15, -10, 0], [10, -10, 0]]),
('ED7', [[15, -10, 0], [20, -10, 0]]),
('ED8', [[20, -10, 0], [25, -10, 0]])]),
OrderedDict([('ED10', [[0, 0, 0], [10, 0, 0]]),
('ED2', [[15, 0, 0], [10, 0, 0]]),
('ED13', [[15, 0, 0], [20, 0, 0]]),
('ED4', [[20, 0, 0], [25, 0, 0]])])]