如何使用 networkx 图作为 sklearn 的输入
How to use networkx graphs as input for sklearn
我想应用 sklearn 图聚类算法，但它们不接受来自 networkx 的 .gexf 格式的输入。我需要什么样的 library/transformations 才能使我的 .gexf 图适合 sklearn？
聚类算法接受距离矩阵、亲和度矩阵或特征矩阵。例如，kmeans 将接受特征矩阵（比如 m 维的 n 个点的 X）并应用欧几里得距离度量，而亲和传播接受亲和矩阵（即 nxn 维的方阵 D）或特征矩阵（取决于affinity 参数）。
如果您想应用 sklearn（或非图形）聚类算法，您可以 extract adjacency matrices 来自 networkx 图形。
A = nx.to_scipy_sparse_matrix(G)
我想你应该确定一下，你的对角线是 1；做 numpy.fill_diagonal(D, 1) 如果没有。
然后仅应用聚类算法：
from sklearn.cluster import AffinityPropagation
ap = AffinityPropagation(affinity='precomputed').fit(A)
print(ap.labels_)
如果您想应用其他算法甚至将 adjacency/distance 矩阵投影到特征矩阵，您还可以将邻接矩阵转换为距离矩阵。
要完成所有这些就太过分了，但是，至于获取距离矩阵，如果你有二元边，你可以这样做D = 1 - A；如果你有加权边缘，你可以 D = A.max() - A.
我想应用 sklearn 图聚类算法，但它们不接受来自 networkx 的 .gexf 格式的输入。我需要什么样的 library/transformations 才能使我的 .gexf 图适合 sklearn？
聚类算法接受距离矩阵、亲和度矩阵或特征矩阵。例如，kmeans 将接受特征矩阵（比如 m 维的 n 个点的 X）并应用欧几里得距离度量，而亲和传播接受亲和矩阵（即 nxn 维的方阵 D）或特征矩阵（取决于affinity 参数）。
如果您想应用 sklearn（或非图形）聚类算法，您可以 extract adjacency matrices 来自 networkx 图形。
A = nx.to_scipy_sparse_matrix(G)
我想你应该确定一下，你的对角线是 1；做 numpy.fill_diagonal(D, 1) 如果没有。
然后仅应用聚类算法：
from sklearn.cluster import AffinityPropagation
ap = AffinityPropagation(affinity='precomputed').fit(A)
print(ap.labels_)
如果您想应用其他算法甚至将 adjacency/distance 矩阵投影到特征矩阵，您还可以将邻接矩阵转换为距离矩阵。
要完成所有这些就太过分了，但是，至于获取距离矩阵，如果你有二元边，你可以这样做D = 1 - A；如果你有加权边缘，你可以 D = A.max() - A.