pagerank_numpy#
- pagerank_numpy(G, alpha=0.85, personalization=None, weight='weight', dangling=None)[源代码]#
返回图中节点的PageRank。
pagerank根据传入链接的结构计算图G中节点的排名。它最初被设计成一种对网页排序的算法。
- 参数
- G图表
网络X图。无向图将被转换为有向图,每条无向边有两条有向边。
- alpha浮动,可选
PageRank的衰减参数,默认为0.85。
- personalization: dict, optional
由具有图节点某个子集关键字的词典和每个图节点的个人化值组成的“个人化向量”。至少有一个个性化设置值必须为非零。如果未指定,节点个性化值将为零。默认情况下,使用均匀分布。
- weight密钥,可选
要用作权重的边数据关键点。如果没有将权重设置为1。
- dangling: dict, optional
要分配给任何“悬挂”节点的OUTEDGE,即没有任何OUTEDGE的节点。Dict键是outtedge指向的节点,dict值是该outtedge的权重。默认情况下,根据个性化向量(如果未指定,则为一致)为悬挂节点指定边界。必须选择此选项才能生成不可约的过渡矩阵(请参见GOOGLE_MATRIX下的注释)。悬而未决的判决与个性化判决相同可能是很常见的。
- 返回
- pagerank词典
值为PageRank的节点的字典。
笔记
特征向量计算使用了numpy与lapack特征值求解器的接口。这将是最快和最准确的小图表。
此实现与多(DI)图一起工作。对于多图表,两个节点之间的权重设置为这些节点之间所有边权重的总和。
工具书类
- 1
A.Langville和C.Meyer,“Web信息检索的特征向量方法调查”,http://citeseer.ist.psu.edu/713792.html
- 2
page,lawrence;brin,sergey;motwani,rajeev和winograd,terry,pagerank引文排名:为网络带来秩序。1999年http://dbpubs.stanford.edu:8090/pub/showdoc.fulltext?lang=en&doc=1999-66&format=pdf
实例
>>> G = nx.DiGraph(nx.path_graph(4)) >>> pr = nx.pagerank_numpy(G, alpha=0.9)