1. 前言

2. 传统方法

# 导入包
import scipy.sparse as sp
import pandas as pd
import networkx as nx
# 读取关系对数据
df = pd.read_table('ratings.txt', sep=' ', header=None) # 读取数据集为 pandas
relation_df = pd.DataFrame(df, columns=[0, 1]) # 取出交互关系
# pandas 转 numpy
relation_list = []
for index, row in relation_df.iterrows(): 
    relation_list.append((row[0], row[1]))
g = nx.Graph(relation_list) # 交互关系转换为图
d_A = nx.to_numpy_matrix(g) # 生成图的邻接矩阵 numpy
s_A = sp.csr_matrix(d_A) # numpy 转换为 稀疏矩阵
sp.save_npz('adj.npz', s_A)  # 保存稀疏矩阵
# csr_matrix_variable = sp.load_npz('adj.npz') # 读取稀疏矩阵
3. 直接转换为稀疏矩阵
 
传统方法只能顺利处理小型矩阵，遇到大矩阵时，networkx.to_numpy_matrix()会报内存溢出的错误。解决办法是不用两步转换，而是用networkx.to_scipy_sparse_matrix()方法直接从图存储为邻接矩阵的稀疏矩阵格式。代码如下：
 
# 导入包
import scipy.sparse as sp
import pandas as pd
import networkx as nx
# 读取关系对数据
df = pd.read_table('ratings.txt', sep=' ', header=None) # 读取数据集为 pandas
relation_df = pd.DataFrame(df, columns=[0, 1]) # 取出交互关系
# pandas 转 numpy
relation_list = []
for index, row in relation_df.iterrows(): 
    relation_list.append((row[0], row[1]))
g = nx.Graph(relation_list) # 交互关系转换为图
s_A = nx.to_scipy_sparse_matrix(g, dtype=int, format='csr') # 生成图的邻接矩阵的稀疏矩阵
sp.save_npz('adj.npz', s_A)  # 保存稀疏矩阵
# csr_matrix_variable = sp.load_npz('adj.npz') # 读取稀疏矩阵
4. networkx.to_scipy_sparse_matrix()的用法
 
摘自 to_scipy_sparse_matrix — NetworkX 2.8.8 documentation
 
to_scipy_sparse_matrix(G, nodelist=None, dtype=None, weight='weight', format='csr')
将图形邻接矩阵作为SciPy 稀疏矩阵返回。
 
G：图
 NetworkX 图，用于构造稀疏矩阵。
nodelist：列表，可选
 行和列根据 nodelist 中的节点进行排序。如果nodelist为None，则排序由 G.nodes() 生成。
dtype：NumPy 数据类型，可选
 用于初始化数组的有效 NumPy格式的dtype。如果None，则使用 NumPy 默认值(np.float64)。
weight：字符串或无可选(default=‘weight’)
 保存用于边权重的数值的边属性。如果 None 则所有边权重为 1。
format：{‘bsr’, ‘csr’, ‘csc’, ‘coo’, ‘lil’, ‘dia’, ‘dok’} 中的字符串
 要返回的矩阵类型(默认 ‘csr’)。对于某些算法，稀疏矩阵的不同实现可以表现得更好。
 
A：SciPy 稀疏矩阵
 图的邻接矩阵的稀疏矩阵。
                    在深度学习任务，例如推荐系统中，将关系转换为图表示，即邻接矩阵是常用的操作。通常的做法是先将关系对数据转换为图数据，然后生成该图的邻接矩阵，再存储为稀疏矩阵。但这种方法不适用于大型矩阵的操作，通常会报内存溢出的错误。以推荐系统的Amazon的评级数据为例（Movielens等同理），这里提供一种方法将图数据直接存储为稀疏矩阵。
				
图的存储与稀疏邻接矩阵scipy_sparse_matrix前言一、方法
       今天在做一个表征学习的模型，模型的输入数据是图，包括节点、边和边的权重。因为图中包含的节点很多，直接使用邻接矩阵存储会消耗大量的内存，所以我基于python使用稀疏矩阵的方式存储图。
       首先通过一个简单的示例来构建图
G = nx.Graph()
G.add_edge(0,1,weight=2)
G.add_edg
   self.k = np.sum(self.A,axis=0)
我想用nx里的函数生成G网络的邻接矩阵，然后用np中的sum函数求出度数矩阵。然而如此求出来的k一直是二维的，而且没办法用分片或者flatten()来降维。
还是得把矩阵彻底点转换成numpy类型
 self.A = np.array(nx.to_numpy_matrix(self.G) )
 self.k = np.sum(self.A,
import matplotlib.pyplot as plt
import numpy as np
# np.random.randint(low,high,size=(m,n))产生离散均匀分布的整数，整数属于[low,high)；size部分表示m行n列矩阵
a=np.random.randint(0,2,size=(5,5))   #
				
1、numpy.array() 可以把列表转换为矩阵numpy.array(object,dtype=None,*,copy=True,order=‘K’,subok=False,ndmin=0,like=None)
2、numpy**.**arange() 生成一个向量，可设置三个参数，第一个为开始，第二个为结束，最后一个为步长，可省略开始与步长，默认从0开始，取值范围左闭右开numpy.arange([start,]stop,[step,]dtype=None,*,like=None)中括号的意思表示这
				
numpy模块中的矩阵对象为numpy.matrix，包括矩阵数据的处理，矩阵的计算，以及基本的统计功能，转置，可逆性等等，包括对复数的处理，均在matrix对象中。 class numpy.matrix(data,dtype,copy):返回一个矩阵，其中data为ndarray对象或者字符形式；dtype:为data的type；copy:为bool类型。
>>> a = np.matrix(
%pylab inline
import networkx as nx
Populating the interactive namespace from numpy and matplotlib
G = nx.Graph()
G.add_n...
				
大家好，今天和大家分享一下图算法中的一些基础知识，已经如何使用python中的networkx库时间网络图的基本建模操作。内容较多，可通过右侧目录栏跳转。
1. 邻接矩阵
1.1 方法介绍
邻接矩阵是图的等价表示，邻接矩阵的元素代表网络节点连线之间的交互关系。
如图1，对于一个无向无权网络，它的邻接矩阵A是一个对称矩阵。其中对角线元素都为0，；无向表示节点之间的连线不区分方向，即节点之间是双向关系，；无权代表节点之间的边没有权重，此时邻接矩阵A是由0,1元素组成的，如果节点之间存在连边那么元素等于1