Python NetworkX生成边组合的迭代列表

我有一个180x180的邻接矩阵，我正试图生成所有合理的组合，以使用NetworkX

我想按顺序删除部分图形，然后确定新编辑的图形对全局效率的影响

在这个视图中，一组合理的组合是彼此相邻的所有节点集，以及从假设它们彼此相邻到子图的所有可能的子图组合

运行所有组合的蛮力方法太慢，对于任何超过15个的删除序列，运行时间约为21小时。所以我们只想通过观察彼此相邻的组合来解决这个问题

基本上，代码需要执行以下操作：

导入包含二进制邻接矩阵的csv，其中1表示物理连续性（在本例中为大脑）

导入networkx图形

确定相互之间最大路径长度为1的所有组合集……换句话说，如果两个节点或两个节点集在任意一端的间距大于1，则它们将被忽略

为每个合理的组合生成这些节点集的列表

这是基本问题

假设大脑某个区域的物理空间包括几个大致像这样的区域……假设这些区域是不规则的多边形，镶嵌在一个平面上

123445

6789

10 11

我们可以将其转化为一个邻接矩阵，其中1表示区域共享一个边界，0表示区域之间没有物理边界

+--+---------------------------------+
|  | 1  2  3  4  5  6  7  8  9  10 11|
+--+---------------------------------+
|1 | 0  1  0  0  0  1  0  0  0  0  0 |
|2 | 1  0  1  0  0  0  1  1  0  0  0 |
|3 | 0  1  0  1  0  0  0  1  1  0  0 |
|4 | 0  0  1  0  1  0  0  0  1  0  0 |
|5 | 0  0  0  1  0  0  0  0  1  0  0 |
|6 | 1  0  0  0  0  0  1  0  0  1  0 |
|7 | 0  1  0  0  0  1  0  1  0  1  1 |
|8 | 0  1  1  0  0  0  1  0  1  0  1 |
|9 | 0  0  1  1  0  0  0  1  0  0  0 |
|10| 0  0  0  0  0  1  1  0  0  0  1 |
|11| 0  0  0  0  0  0  1  1  0  1  0 |
+--+---------------------------------+

基本上，邻接矩阵表示大脑中彼此相邻的部分……我们希望遍历并生成这些节点的分组列表，这些节点从单个节点开始，一直到每个节点的可能组合，但需要注意的是，我们不希望这些组合不与每个节点进行物理接触其他

例如，这样一个列表将有1，2，…11 还有1+2和7+8等 最终我们会有2+7+8和6+7+8+10，因为所有这些节点都相互接触并形成一个连接的组件 1-11是不允许的，因为他们不共享边界；4+5+10也是不允许的，因为他们不接触边界

这一点很重要的原因是，我们是脑外科医生，我们以删除部分图形为生…即大脑图形…但你永远不会删除彼此不相邻的节点…我们试图使用图形来定义我们在手术中可以走多远…因此我们需要使用python来生成所有可能的节点删除组合这在现实世界中是有意义的……二进制邻接矩阵表示物理空间中的现实

一旦我有了一个节点删除的合理组合列表，我有一个代码，它采用不同的数据帧…将节点和边归零，然后创建一个我们运行效率度量的networkx图…我只需要一种方法来确定所有可能的连续组件集，这样我们就不会运行解剖上不合理的组合

我想解决这个问题的方法是在networkx中使用某种连续组件函数，但我无法从图形中导出所有可能的连接组件组合

基本上，代码是这样的

boundary=pd.read_csv(adjacency.csv)
G=networkx.from_pandas_adjacency(boundary)
combo="something to iterate the graph g to create a list of all connected components"


for row in combo:
        values = row
        datasafe=pandas.read_csv("connections.csv", index_col=0)
        datasafe.loc[values, :] = 0

        datasafe[values] = 0

        g=networkx.from_pandas_adjacency(datasafe)
        h=networkx.from_pandas_adjacency(datasafe)
        le=local_efficiency(g)
        LE_list.append(le)
        ge=global_efficiency(h)
        GE_list.append(ge)
output=pandas.DataFrame(list(zip(combo, GE_list,LE_list)))
output.to_csv('multi.csv',index=None)

请注意，我们使用一个csv来确定列表，并在不同的csv上使用该列表

---

提前感谢…这是您正在帮助解决的一个重要问题，它将拯救生命

连接组件的正确命名是（不要弄乱真实名称）。你的问题被称为

networkx

有几种算法可用于解决此问题：

您的问题可以通过以下功能解决：

请注意，此函数返回所有可能的团，长度也为1和2（即每个节点和每条边），因此您应该过滤1-2长度的团。例如，对于图形，此函数返回：

list(nx.enumerate_all_cliques(G))

[[0],
 [1],
 [2],
 [3],
 [4],
 [5],
 [6],
 [7],
 [8],
 [9],
 [10],
 [0, 1],
 [0, 5],
 [1, 2],
 [1, 6],
 [1, 7],
 [2, 3],
 [2, 7],
 [2, 8],
 [3, 4],
 [3, 8],
 [4, 8],
 [5, 6],
 [5, 9],
 [6, 7],
 [6, 9],
 [6, 10],
 [7, 8],
 [7, 10],
 [9, 10],
 [1, 2, 7],
 [1, 6, 7],
 [2, 3, 8],
 [2, 7, 8],
 [3, 4, 8],
 [5, 6, 9],
 [6, 7, 10],
 [6, 9, 10]]

但如果我们过滤掉所有无用的派系，我们会得到：

list(filter(lambda x: len(x) > 2, nx.enumerate_all_cliques(G)))

[[1, 2, 7],
 [1, 6, 7],
 [2, 3, 8],
 [2, 7, 8],
 [3, 4, 8],
 [5, 6, 9],
 [6, 7, 10],
 [6, 9, 10]]

---

那么，您想要一个相互直接连接的所有节点的列表吗？请提供您的数据和代码的最小示例。请提供最小示例，即一小段数据（输入）和预期输出。请提供您代码中的相关部分。我编辑了问题以包含我们需要的示例。如果您以后需要帮助，您可以通过

vurmux@gmail.com

电子邮件或电报中的

t.me/vurmux

。我很乐意帮助你！