Python计算顶点度矩阵

我目前正在努力编写代码来计算度矩阵，这样我就可以计算拉普拉斯L=D-A，其中D=度矩阵，A=邻接矩阵

这将在以后的光谱聚类算法中使用。我正在使用Python。因此，对于这个玩具的例子，我有困难做它。是否有人能提供一种有效的方法来实现这一点，或者是否有用于计算度矩阵的API？我的问题很简单，计算连通度矩阵的有效方法是什么，或者是否有python模块

例如：

import numpy as np
matrix = np.matrix('1, 1, 1, 1; 1, 0, 0, 0; 0, 0, 1, 1')

matrix =

 1     1     1     1
 1     0     0     0
 0     1     0     1
 0     0     1     1

---

我如何计算得到5 3 4的度（矩阵），它表示每个节点的连通度？谢谢。

我想出来了，但我不知道这是不是最有效的方法。然而，我找到了答案

#### Example of Computing Degree Matrix
import numpy as np
matrix = np.matrix('1, 1, 1, 1;'
                   '1, 0, 0, 0;'
                   '0, 1, 0, 1;'
                   '0, 0, 1, 1')

degree = np.zeros(len(matrix)) # initialize list to hold values of degree

# calculate the sums along rows and sum along columns
colsum = matrix.sum(axis=0)
rowsum = matrix.sum(axis=1)

# loop through matrix and add up all degree connections
for j in range(0, len(matrix)):
    degree[j] = colsum[0,j] + rowsum[j,0]

# get the diagonal entries to correct the for loop oversumming
A = matrix.diagonal()
d = A.flat
diagMat = list(d)

# print the degree of connectivity matrix 
print np.diag(degree - diagMat)

[[ 5.  0.  0.  0.]
 [ 0.  3.  0.  0.]
 [ 0.  0.  4.  0.]
 [ 0.  0.  0.  4.]]

---

你是在计算入学位还是出学位

我认为更有效的代码应该是： 度大小=np大小（矩阵，0）

---

要回答这个问题，如何从邻接矩阵中获取度矩阵：

它可能不会比其他一些答案快，但至少要简单一点，并且是用i-PyTorch编写的（应该像其他答案一样容易翻译成numpy）

非常直接的代码，一些解释：

• torch.diagonal获取一维数组中的对角线元素
• torch.diagflat获取一个数组并创建一个二维对角矩阵

---

有一个专门的图形包

networkx

：

import networkx as nx
import numpy as np

m = np.matrix('1, 1, 1, 1;'
              '1, 0, 0, 0;'
              '0, 1, 0, 1;'
              '0, 0, 1, 1')
G = nx.from_numpy_matrix(m)
nx.laplacian_matrix(G).toarray()

结果:

array([[ 3, -1, -1, -1],
       [-1,  2, -1,  0],
       [-1, -1,  3, -1],
       [-1,  0, -1,  2]], dtype=int64)

---

对于处理无向图的用户，可以使用以下方法创建节点的对角度矩阵：

def diagonal_degree_matrix(adj):
    diag = np.zeros([adj.shape[0], adj.shape[0]]) # basically dimensions of your graph
    rows, cols = adj.nonzero()
    for row, col in zip(rows, cols):
        diag[row, row] += 1
    return diag

---

其中，adj是

csr\u矩阵类型的邻接矩阵，np是
numpy
库。
您可以使用
numpy的
sum
和
diag
用数组代替矩阵

import numpy as np
matrix = np.array([[1, 1, 1, 1],[1, 0, 0, 0],[ 0 ,1 ,0 ,1 ],[0, 0, 1, 1]])    
degree = np.diag(np.sum(matrix, axis=1))

呃，你想在计算机上用数值方法对图论对象进行编码，你甚至可以声明一个矩阵。是关于邻接矩阵的另一个问题/答案（还有其他类似的问题和答案，你应该先通读一遍，而不是问另一个版本），是互联网上关于如何做你所问的事情的众多文章之一，这是理论。简单地问一下如何有效地计算度矩阵。剩下的我知道怎么做。
def diagonal_degree_matrix(adj):
    diag = np.zeros([adj.shape[0], adj.shape[0]]) # basically dimensions of your graph
    rows, cols = adj.nonzero()
    for row, col in zip(rows, cols):
        diag[row, row] += 1
    return diag

import numpy as np
matrix = np.array([[1, 1, 1, 1],[1, 0, 0, 0],[ 0 ,1 ,0 ,1 ],[0, 0, 1, 1]])    
degree = np.diag(np.sum(matrix, axis=1))