相似性度量

使用图形编辑距离测量相似性的函数。

图形编辑距离是使两个图形同构所需的边/节点更改数。

对于某些图，默认的算法/实现是次优的。精确的图形编辑距离（GED）是一个NP困难的问题，因此通常速度很慢。如果简单的接口 graph_edit_distance 你的图表太长了，试试看 optimize_graph_edit_distance 和/或 optimize_edit_paths .

同时，我鼓励有能力的人研究其他GED算法，以改进可用的选择。

graph_edit_distance(G1, G2[, node_match, ...])	返回图g1和g2之间的GED（图形编辑距离）。
optimal_edit_paths(G1, G2[, node_match, ...])	返回将g1转换为g2的所有最小成本编辑路径。
optimize_graph_edit_distance(G1, G2[, ...])	返回图g1和g2之间GED（图形编辑距离）的连续近似值。
optimize_edit_paths(G1, G2[, node_match, ...])	GED（图形编辑距离）计算：高级界面。
simrank_similarity(G[, source, target, ...])	返回图中节点的simrank相似性 G .
simrank_similarity_numpy(G[, source, ...])	计算中节点的simrank G 使用矩阵 numpy .
panther_similarity(G, source[, k, ...])	返回图中节点的Panther相似度 G 目标节点 v 。
generate_random_paths(G, sample_size[, ...])	随机生成 sample_size 长度的路径 path_length 。