使用igraph python从数据中读取关系

我有一个example.cvc文件，其中包含以下值：

pos= [180 270 360 450 540 630 720 810]
mean_values= [(270,630), (540,720),(270,810),(450,630),(180,360), (180,540),(450,810),(360,540),(180,720),(630,810),(270,450),(360,720)]

平均值基本上来自二维高斯混合模型。根据我的理解，标签可以表示顶点（8），平均值可以称为边（12）

关于数据：位置基本上由蓝色和黄色圆圈值表示，而平均值对应于哪个位置与哪个位置相关。因此，例如，在180360540和720标签值中，180连接到360540，720，如箭头所示，并由以下平均值表示：[（180360），（180540），（180720）]其他pos也有类似的结果

---

知道如何使用igraph获得这样的结果吗。我做了几次搜索，但都不知道。我是新来的伊格拉夫，任何帮助将不胜感激。首先，您需要像这样计算最接近的点集（请注意，我随意从列表而不是文件中读取数据，您可以相应地更改它）：

当我们绘制图形时，我将第二个元素存储为字符串的原因将被清除。您可以自己查看要验证的点

print(closest_mapping)
#[(640.0, '630.0'),
# (270.0, '360.0'),
# (450.0, '450.0'),
# (230.0, '360.0'),
# (180.0, '360.0'),
# (540.0, '540.0'),
# (270.0, '360.0'),
# (180.0, '360.0'),
# (450.0, '450.0'),
# (360.0, '360.0'),
# (610.0, '630.0'),
# (360.0, '360.0')]

我不知道如何使用igraph绘制二部图，因此我将使用：

import networkx as nx

# Create an empty graph
G = nx.Graph()

# Add the edges from the list we created
G.add_edges_from(closest_mapping)

# Create a bipartite layout 
pos = nx.bipartite_layout(G, a)

# Draw the Graph
nx.draw(G, pos, with_labels=True, node_size=900, node_color='y')

左侧的节点来自

A

，而右侧的节点来自

B

如果要为每对节点查找最近的节点

import numpy as np
import networkx as nx

a = np.asarray([640., 270., 450., 230., 180., 540., 270., 180., 450., 360., 610.,
       360.])
b = np.asarray([810., 630., 810., 760., 360., 720., 450., 540., 630., 720., 810.,
       540.])


closest_mapping = []

# Find mapping for A->B
for node in a:
    # Subtract node from each element in b
    # and get the absolute value
    dist_list = np.absolute(np.array(b) - node)

    # Find the element in b with the min. absolute value
    min_element = b[np.argmin(dist_list)]

    # Create a tuple of (node, min_element) and add it to list.
    # This will be used to plot a graph later. 
    # Note that the second element is stored as a string.
    closest_mapping.append((node, str(min_element)))

# Find Mapping for B->A
for node in b:
    # Subtract node from each element in b
    # and get the absolute value
    dist_list = np.absolute(np.array(a) - node)

    # Find the element in b with the min. absolute value
    min_element = a[np.argmin(dist_list)]

    # Create a tuple of (node, min_element) and add it to list.
    # This will be used to plot a graph later. 
    # Note that the first element is stored as a string.
    closest_mapping.append((str(node), min_element))


# Create an empty graph
G = nx.Graph()

# Add the edges from the list we created
G.add_edges_from(closest_mapping)

# Create a bipartite layout 
pos = nx.bipartite_layout(G, a)

# Draw the Graph
nx.draw(G, pos, with_labels=True, node_size=900, node_color='y')

注意列表

B

中的节点存储为字符串的原因是，如果它们保持为整数/浮点数，并且它们在

A

中具有相同的值，则图形将不会是两部分的（即使两者在逻辑上不同，它也不会注册重复节点，因此我将一个节点列表保留为字符串）

更新： 根据更新的问题，可以使用NetworkX直接添加节点和边，如下所示：

将networkx导入为nx

pos= [180, 270, 360, 450, 540, 630, 720, 810]
mean_values= [(270,630), (540,720), (270,810), (450,630), (180,360),
              (180,540), (450,810), (360,540), (180,720), (630,810),
              (270,450), (360,720)]
 
G = nx.Graph()
G.add_nodes_from(pos)
G.add_edges_from(mean_values)

pos = nx.spring_layout(G)
nx.draw(G, pos, node_size=500, with_labels=True, node_color='y')

您可以对像这样的定向边使用

nx.DiGraph

import networkx as nx

pos= [180, 270, 360, 450, 540, 630, 720, 810]
mean_values= [(270,630), (540,720), (270,810), (450,630), (180,360),
              (180,540), (450,810), (360,540), (180,720), (630,810),
              (270,450), (360,720)]
 
G = nx.DiGraph()
G.add_nodes_from(pos)
G.add_edges_from(mean_values)

pos = nx.spring_layout(G)
nx.draw(G, pos, node_size=500, with_labels=True, node_color='y')

参考资料：

---

你的意思是在数字刻度上“更接近”吗？a，b代表什么？是的。它们表示从高斯混合模型得到的a和b的不同平均值。那么为什么你需要图形呢？如果我错了，请纠正我，但您正在发现a的哪些混合物与b的混合物最相似（至少在平均值的接近性方面）。所以为什么不使用一个简单的距离矩阵呢？我们的结果表明，有两个簇，我想通过这两个簇中的图来知道，这两个簇的平均值更接近每个簇。所以我认为用距离矩阵是不可能的。我也不清楚为什么它需要一个图。您在示例中提到640接近630。为什么这种洞察力需要一张图表。这仅仅是为了视觉化的目的吗？这不完全是我想要的。我进一步简化了我的问题，得到了预期的结果。请看一看，如果你能帮忙，请告诉我。谢谢。我还有一个关于igraph的跟进。你能帮我做这个吗？下面给出了新问题的链接。

import networkx as nx

pos= [180, 270, 360, 450, 540, 630, 720, 810]
mean_values= [(270,630), (540,720), (270,810), (450,630), (180,360),
              (180,540), (450,810), (360,540), (180,720), (630,810),
              (270,450), (360,720)]
 
G = nx.DiGraph()
G.add_nodes_from(pos)
G.add_edges_from(mean_values)

pos = nx.spring_layout(G)
nx.draw(G, pos, node_size=500, with_labels=True, node_color='y')