Python 用Igraph计算图的特征值谱

使用Python中的Igraph，是否有一种方法可以计算（最终绘制）本文中描述的图的特征值谱

---

如果是，需要使用哪些功能？如果没有，有哪些好的替代方法？

好的，所以我想出了如何只使用IGRAPHE来实现这一点：

import numpy.linalg
from igraph import *
import random
import numpy as np
import time

nbr_noeuds = 50
dens = .2

p=random.uniform(dens,dens)
G = Graph.Erdos_Renyi(nbr_noeuds, p, directed=False, loops=False)

t0 = time.time()
L = G.laplacian(normalized=True)
e = numpy.linalg.eigvals(L)
print time.time()-t0

---

而且计算速度也快得多，打印输出为0.0009

Ok，所以我想出了只使用igraph的方法：

import numpy.linalg
from igraph import *
import random
import numpy as np
import time

nbr_noeuds = 50
dens = .2

p=random.uniform(dens,dens)
G = Graph.Erdos_Renyi(nbr_noeuds, p, directed=False, loops=False)

t0 = time.time()
L = G.laplacian(normalized=True)
e = numpy.linalg.eigvals(L)
print time.time()-t0

---

而且计算速度也快得多，打印输出为0.0009

Ok，所以我想出了只使用igraph的方法：

import numpy.linalg
from igraph import *
import random
import numpy as np
import time

nbr_noeuds = 50
dens = .2

p=random.uniform(dens,dens)
G = Graph.Erdos_Renyi(nbr_noeuds, p, directed=False, loops=False)

t0 = time.time()
L = G.laplacian(normalized=True)
e = numpy.linalg.eigvals(L)
print time.time()-t0

---

而且计算速度也快得多，打印输出为0.0009

Ok，所以我想出了只使用igraph的方法：

import numpy.linalg
from igraph import *
import random
import numpy as np
import time

nbr_noeuds = 50
dens = .2

p=random.uniform(dens,dens)
G = Graph.Erdos_Renyi(nbr_noeuds, p, directed=False, loops=False)

t0 = time.time()
L = G.laplacian(normalized=True)
e = numpy.linalg.eigvals(L)
print time.time()-t0

---

计算速度也快得多，打印输出为0.0009

In [1]: import networkx as nx

In [2]: from numpy.linalg import eigvals

In [3]: %timeit eigvals(nx.normalized_laplacian_matrix(nx.fast_gnp_random_graph(50,0.2)).A)
100 loops, best of 3: 3.13 ms per loop

---

这样更简单，也可能更快

In [1]: import networkx as nx

In [2]: from numpy.linalg import eigvals

In [3]: %timeit eigvals(nx.normalized_laplacian_matrix(nx.fast_gnp_random_graph(50,0.2)).A)
100 loops, best of 3: 3.13 ms per loop

---

这样更简单，也可能更快

In [1]: import networkx as nx

In [2]: from numpy.linalg import eigvals

In [3]: %timeit eigvals(nx.normalized_laplacian_matrix(nx.fast_gnp_random_graph(50,0.2)).A)
100 loops, best of 3: 3.13 ms per loop

---

这样更简单，也可能更快

In [1]: import networkx as nx

In [2]: from numpy.linalg import eigvals

In [3]: %timeit eigvals(nx.normalized_laplacian_matrix(nx.fast_gnp_random_graph(50,0.2)).A)
100 loops, best of 3: 3.13 ms per loop

---

这不就是把图转换成一个邻接矩阵，然后计算矩阵的特征值吗？可能是，我看到网络有一个功能来做这件事，但它确实有点过分了。那我就去numpy登记。谢谢。这不就是把图转换成邻接矩阵，然后计算矩阵的特征值吗？可能是，我看到网络有这样的功能，但它确实有点过分了。那我就去numpy登记。谢谢。这不就是把图转换成邻接矩阵，然后计算矩阵的特征值吗？可能是，我看到网络有这样的功能，但它确实有点过分了。那我就去numpy登记。谢谢。这不就是把图转换成邻接矩阵，然后计算矩阵的特征值吗？可能是，我看到网络有这样的功能，但它确实有点过分了。那我就去numpy登记。谢谢，谢谢！问题是，我有一个igraph图形开始，转换需要一段时间，我想…谢谢！问题是，我有一个igraph图形开始，转换需要一段时间，我想…谢谢！问题是，我有一个igraph图形开始，转换需要一段时间，我想…谢谢！问题是，我有一个igraph图开始，转换需要一段时间，我想…注意，图的拉普拉斯矩阵不同于邻接矩阵，但它很容易在两者之间转换（）。你提到的论文使用了邻接矩阵的特征值，而不是拉普拉斯矩阵的特征值。请注意，图的拉普拉斯矩阵与邻接矩阵不同，但很容易在两者之间转换（）。你提到的论文使用了邻接矩阵的特征值，而不是拉普拉斯矩阵的特征值。请注意，图的拉普拉斯矩阵与邻接矩阵不同，但很容易在两者之间转换（）。你提到的论文使用了邻接矩阵的特征值，而不是拉普拉斯矩阵的特征值。请注意，图的拉普拉斯矩阵与邻接矩阵不同，但很容易在两者之间转换（）。你提到的那篇论文使用了邻接矩阵的特征值，而不是拉普拉斯矩阵的特征值。