Использование NetworkX и нового для библиотеки для запроса анализа социальной сети. В Query я имею в виду выбор/создание подграфов атрибутами обоих ребер узлов, где ребра создают путь, а узлы содержат атрибуты. Граф использует MultiDiGraph формы
G2 = nx.MultiDiGraph()
G2.add_node( "UserA", { "type" :"Cat" } )
G2.add_node( "UserB", { "type" :"Dog" } )
G2.add_node( "UserC", { "type" :"Mouse" } )
G2.add_node( "Likes", { "type" :"Feeling" } )
G2.add_node( "Hates", { "type" :"Feeling" } )
G2.add_edge( "UserA", 'Hates' , statementid="1" )
G2.add_edge( "Hates", 'UserB' , statementid="1" )
G2.add_edge( "UserC", 'Hates' , statementid="2" )
G2.add_edge( "Hates", 'UserA' , statementid="2" )
G2.add_edge( "UserB", 'Hates' , statementid="3" )
G2.add_edge( "Hates", 'UserA' , statementid="3" )
G2.add_edge( "UserC", 'Likes' , statementid="3" )
G2.add_edge( "Likes", 'UserB' , statementid="3" )
Запрос
for node,data in G2.nodes_iter(data=True):
if ( data['type'] == "Cat" ):
# get all edges out from these nodes
#then recursively follow using a filter for a specific statement_id
#or get all edges with a specific statement id
# look for with a node attribute of "cat"
Есть ли лучший способ запроса? Или лучше всего создавать пользовательские итерации для создания подграфов?
В качестве альтернативы (и отдельного вопроса) график можно упростить, но я не использую приведенный ниже график, потому что объекты типа "ненависть" будут иметь прецессоры. Это упростит запрос? Кажется, что проще перебирать узлы
G3 = nx.MultiDiGraph()
G3.add_node( "UserA", { "type" :"Cat" } )
G3.add_node( "UserB", { "type" :"Dog" } )
G3.add_edge( "UserA", 'UserB' , statementid="1" , label="hates")
G3.add_edge( "UserA", 'UserB' , statementid="2" , label="hates")
Другие примечания:
add_path добавляет идентификатор созданного пути?g.vs.select()На основе @Aric answer вы можете найти красную рыбу следующим образом:
red_fish = set(n for u,v,d in G.edges_iter(data=True)
if d['color']=='red'
for n in (u, v)
if G.node[n]['label']=='fish')
print(red_fish)
# set([2])
Очень просто написать однострочный файл для создания списка или генератора узлов с определенным свойством (здесь показаны генераторы)
import networkx as nx
G = nx.Graph()
G.add_node(1, label='one')
G.add_node(2, label='fish')
G.add_node(3, label='two')
G.add_node(4, label='fish')
# method 1
fish = (n for n in G if G.node[n]['label']=='fish')
# method 2
fish2 = (n for n,d in G.nodes(data=True) if d['label']=='fish')
print(list(fish))
print(list(fish2))
G.add_edge(1,2,color='red')
G.add_edge(2,3,color='blue')
red = ((u,v) for u,v,d in G.edges(data=True) if d['color']=='red')
print(list(red))
Если ваш график большой и фиксированный, и вы хотите быстро найти, вы можете сделать "обратный словарь" таких атрибутов,
labels = {}
for n, d in G.nodes(data=True):
l = d['label']
labels[l] = labels.get(l, [])
labels[l].append(n)
print labels
Чтобы выбрать ребра на основе атрибутов ребер и узлов, вы можете сделать что-то подобное, используя ваш график, G2:
def select(G2, query):
'''Call the query for each edge, return list of matches'''
result = []
for u,v,d in G2.edges(data=True):
if query(u,v,d):
result.append([(u,v)])
return result
# Example query functions
# Each assumes that it receives two nodes (u,v) and
# the data (d) for an edge
def dog_feeling(u, v, d):
return (d['statementid'] == "3"
and G2.node[u]['type'] == "Dog"
or G2.node[u]['type'] == "Dog")
def any_feeling(u,v,d):
return (d['statementid'] == "3"
and G2.node[u]['type'] == "Feeling"
or G2.node[u]['type'] == "Feeling")
def cat_feeling(u,v,d):
return (G2.node[u]['type'] == "Cat"
or G2.node[v]['type'] == "Cat")
# Using the queries
print select(G2, query = dog_feeling)
print select(G2, query = any_feeling)
print select(G2, query = cat_feeling)
Это абстрагирует процесс итерации на функцию select(), и вы можете писать свои запросы как индивидуальные, проверяемые функции.