Python 3.x 使用图形工具读取Pajek.net文件

我有一个（带加权边的无向网络），这里提供了一个示例：

*Vertices 5
1  apple
2  cat
3  tree
4  nature
5  fire
*Edges
1  3  14
2  4  1

提供的节点标签不带引号。边指定为节点1、节点2、边权重

我需要将此文件作为一个无向图读取，其中包含节点标签和边的“权重”属性。该函数还应保留隔离节点

在Python中有没有一种有效的方法来实现这一点？

---

到目前为止，我一直在使用Networkx读取.net文件，然后使用转换函数。我正在寻找一种加速过程的方法。

这是我今天开发的解决方案：

import graph_tool.all as gt
import graph_tool.stats as gts

def pajTOgt(filepath, directed = False, removeloops = True):
  if directed:
    g = gt.Graph(directed=True)
  else:
    g = gt.Graph(directed=False)

  #define edge and vertex properties
  g.edge_properties["weight"] = g.new_edge_property("double")
  g.vertex_properties["id"] = g.new_vertex_property("string")

  with open(filepath, encoding = "utf-8") as input_data:
    #create vertices
    for line in input_data:
        g.add_vertex(int(line.replace("*Vertices ", "").strip())) #add vertices
        break

    #label vertices
    for line in input_data: #keeps going for node labels
      if not line.strip() == '*Edges' or line.strip() == '*Arcs':  
        v_id = int(line.split()[0]) - 1
        g.vertex_properties["id"][g.vertex(v_id)] = "".join(line.split()[1:])
      else:
        break

    #create weighted edges
    for line in input_data: #keeps going for edges
      linesplit = line.split()
      linesplit = [int(x) for x in linesplit[:2]] + [float(linesplit[2])]
      if linesplit[2] > 0:
        n1 = g.vertex(linesplit[0]-1)
        n2 = g.vertex(linesplit[1]-1)
        e = g.add_edge(n1, n2)
        g.edge_properties["weight"][e] = linesplit[2]

    if removeloops:
      gts.remove_self_loops(g)

    return g

---

不过，如果您找到更有效的方法，我还是很想知道。

似乎Pajek文件的每个部分（顶点/边）都可以解释为以空格分隔的CSV文件，这意味着您可以使用

pandas.read_CSV（）

解析它。该函数比您在纯python答案中建议的逐行解析要快

此外，一次初始化边缘列表和属性列表（作为numpy数组）比在python循环中单独设置每个元素更快

我认为下面的实现应该接近最优，但我还没有对其进行基准测试

重新导入
从io导入StringIO
将numpy作为np导入
作为pd进口熊猫
将图形工具作为gt导入
def pajek_to_gt（路径，定向=False，删除循环=False）：
"""
将Pajek.NET文件[1]作为graph\u tool.graph加载。
支持通过节点对指定其边的文件。
不支持通过指定其边的文件
“边缘列表”方案（即邻居列表方案）。
注:
每个图形工具将顶点重新编号，以0开头
约定（不是以1开头的Pajek约定）。
作者：斯图尔特·伯格（github.com/stuarteberg）
执照：麻省理工学院
[1]: https://gephi.org/users/supported-graph-formats/pajek-net-format/
"""
#装入RAM
打开（路径“r”）作为f：
全文=f.阅读（）
如果“*edgeslist”为全文：
引发运行时错误（“不支持邻居列表格式”）
#删除注释行
全文=re.sub（r'^\s*%.*$'，''，全文，标志=re.MULTILINE）
#删除空行（包括通过删除注释创建的空行）
全文=re.sub（r'\n+'，'\n'，全文）
#确保分隔符是单个空格
全文=re.sub（r'[\t]+'，''，全文）
num_texts=int（StringIO（全文）.readline（）.split（）[-1]）
#拆分为顶点部分和边部分
#（顶点部分可能为空）
顶点文本，边文本=重新拆分（r'\*[^\n]+\n'，全文）[1:]
#分析顶点（如果存在）
v_df=无
如果是文本：
v_df=pd.read_csv（StringIO（顶点文本），分隔符=''，引擎='c'，名称=['id'，'label']，标题=None）
断言（v_df['id']==np.arange（1,1+num_顶点））.all（）\
该文件未列出所有顶点，或未按顺序列出它们
#解析边
e_df=pd.read_csv（StringIO（边缘_文本），分隔符=“”，引擎=“”，标题=无）
如果len（e_df.columns）==2：
e_df.columns=['v1'，'v2']
elif len（e_df.columns）==3：
e_df.columns=['v1'，'v2'，'weight']
其他：
引发运行时错误（“无法理解边缘列表”）
e_df[[v1'，v2']]-=1
#释放一些内存
删除全文、顶点文字、边文字
#创建图形
g=gt.图（定向=定向）
g、 添加顶点（顶点数）
g、 添加边列表（e_df['v1'，'v2']]值）
#添加属性
如果e_df.列中的“重量”：
g、 边缘属性[“权重”]=g.新的边缘属性（“双”，e_df[“权重”].值）
如果v_df不是无：
g、 顶点属性[“标签”]=g.新的顶点属性（“字符串”，v_df[“标签”].值）
如果删除_循环：
gt.stats.remove_self_循环（g）
返回g

下面是它为您的示例文件返回的内容：

In [1]: from pajek_to_gt import pajek_to_gt

In [2]: g = pajek_to_gt('pajek-example.NET')

In [3]: g.get_vertices()
Out[3]: array([0, 1, 2, 3, 4])

In [4]: g.vertex_properties['label'].get_2d_array([0])
Out[4]: array([['apple', 'cat', 'tree', 'nature', 'fire']], dtype='<U6')

In [5]: g.get_edges()
Out[5]:
array([[0, 2],
       [1, 3]])

In [6]: g.edge_properties['weight'].get_array()
Out[6]: PropertyArray([14.,  1.])

---

显然，我上面的实现与该格式不兼容。我编辑了该函数，如果文件中使用了该格式，则会引发异常。

非常感谢Stuart！我用大约43000个节点的网络对它进行了测试，你的解决方案似乎比我的快了6倍：）我害怕在内存中加载所有文件，以防有非常大的网络文件。我在这行

gt.stats.remove_self_loops（g）

，所以我将它改为

gts.remove_self_loops（g）

，使用前面的导入命令

import graph_tool.stats as gts

作为分隔符，我看到文件有时使用单个空格，有时使用多个空格（2个或更多）和其他时间选项卡。但在我看来，您的函数在所有这些情况下都能正常工作？是的，预处理正则表达式应该处理多个空格或制表符。我认为错误是我的——我忘了在代码中包含导入语句！很抱歉。（现在已修复。）正如您所看到的，我使用了

导入图形工具作为gt

，而不是

图形工具。也许这就是区别。
*edgeslist
4941 386 395 451
1 3553 3586 3587 3637
2 3583
3 4930
4 88
5 13 120