Python 优化将（定向）边列表转换为邻接列表的函数

我编写了一个函数，它将2元组列表（表示有向图的边）转换为列表数组（表示从数组索引给定的顶点开始可以到达的顶点）

到目前为止，我所拥有的：

def make_图（边、顶点数量）：
图=[]表示范围内的u（顶点数量）]
对于边中的边：
图形[边[0]]。追加（边[1]）
返回图

因此，对于这个图：

它将这样做：

>>> make_graph([(0, 1), (2, 0), (1, 2), (0, 2)], 3)
[[1, 2], [2], [0]]

从顶点0可以到达顶点1和2等

它可以很好地工作并提供我想要的输出，但对于我的应用程序来说，这还不够快——我的真实图形将有大约10万到10万个顶点和1-4百万条边。有没有办法提高性能？也许是另一个列表理解，或者

numpy

---

如果Python不能更快地完成这项工作，我愿意用其他语言解决这个问题。

您可以从使用defaultdict删除与dict相关的开销开始

from collections import defaultdict

connenctions = defaultdict(list)
connection_input = [(0, 1), (2, 0), (1, 2), (0, 2)]

for x, y in connection_input:
    connenctions[x].append(y)


>>> connenctions.values()

dict_values([[1, 2], [0], [2]])

---

您可以从使用defaultdict删除与dict相关的开销开始

from collections import defaultdict

connenctions = defaultdict(list)
connection_input = [(0, 1), (2, 0), (1, 2), (0, 2)]

for x, y in connection_input:
    connenctions[x].append(y)


>>> connenctions.values()

dict_values([[1, 2], [0], [2]])

---

---

最流行的方法是使用

networkx

package。事实上，尽管它的设计很友好，但速度还是很慢。幸运的是，它有一些Python的替代方案。这是。我已经测试了一些替代方案，如

igraph

和

graph工具

。然而，graph tools有一个非常好的文档，但是它是基于Linux的，因为我是Windows用户，所以我无法访问它。最后，

igraph

在从安装后对我起了作用，我对性能非常满意。Hovewer，

igraph

接受标记为从0开始的整数的节点，因此如果需要，您需要创建节点的重新映射。

最常用的方法是使用

networkx

包。事实上，尽管它的设计很友好，但速度还是很慢。幸运的是，它有一些Python的替代方案。这是。我已经测试了一些替代方案，如

igraph

和

graph工具

。然而，graph tools有一个非常好的文档，但是它是基于Linux的，因为我是Windows用户，所以我无法访问它。最后，

igraph

在从安装后对我起了作用，我对性能非常满意。Hovewer，

igraph

接受标记为从0开始的整数的节点，因此如果需要，您需要创建节点的重新映射。

不要问我们：问Python。当您编写每个建议时发生了什么？我的意思是它工作正常，Python不会抛出异常，这也不是我的问题。我想问的是，如何在创建图表的时间方面提高其效率。我可以问Python如何让它更快，还是我遗漏了什么？你的图形有多少个顶点，你能在你的内存中保存一个nxn numpy数组吗？它大约在10万到10万个节点之间，有100万到400万个连接。我知道你发布的代码工作得很好；你的理解代码和NumPy代码怎么样？不要问我们：问Python。当您编写每个建议时发生了什么？我的意思是它工作正常，Python不会抛出异常，这也不是我的问题。我想问的是，如何在创建图表的时间方面提高其效率。我可以问Python如何让它更快，还是我遗漏了什么？你的图形有多少个顶点，你能在你的内存中保存一个nxn numpy数组吗？它大约在10万到10万个节点之间，有100万到400万个连接。我知道你发布的代码工作得很好；你的理解码和NumPy码怎么样？谢谢，我会查出来的！另外，请记住networkx的文档记录非常好，而igraph的文档记录非常差。谢谢，我会查看它的！另外，请记住networkx的文档记录非常好，而igraph的文档记录非常差。我已经将您建议的解决方案作为一个函数实现了，但实际上它似乎比我原来的函数慢了大约1/5。使用

defaultdicts

应该只是稍微加快了一点速度。尽管如此，这里还是无法避免循环。与C语言相比，Python循环仍然是一个巨大的性能消耗者。但是，与在图形库上执行的图形操作相比，浪费相对较小。@LuM，您确定正在对正确的部分计时吗？这里的要点是删除部分代码：

graph=[[]用于范围内（顶点数量）]

。在对相关部分计时时，我得到的反馈是，我的脚本需要512 ns，而你的脚本需要1.26µs。“我几乎可以肯定它不会慢下来。”mathfux同意。我本来打算发布一些类似于networkx的东西，但我不确定这是否会给OP带来太多的开销。是的，在这种情况下，像列表comp这样更快的东西不是一个选项，因为我们正在做特定于案例的列表追加，而在列表comp中追加是一个不存在的问题。我已经将您提出的解决方案作为一个函数实现了，但它实际上似乎比我原来的函数慢了大约1/5。使用

defaultdicts

应该只是稍微快一点。尽管如此，这里还是无法避免循环。与C语言相比，Python循环仍然是一个巨大的性能消耗者。但是，与在图形库上执行的图形操作相比，浪费相对较小。@LuM，您确定正在对正确的部分计时吗？这里的要点是删除部分代码：

graph=[[]用于范围内（顶点数量）]

。在对相关部分计时时，我得到的反馈是，我的脚本需要512 ns，而你的脚本需要1.26µs。“我几乎可以肯定它不会慢下来。”mathfux同意。实际上，我打算发布一些类似于networkx的东西，但不确定它是否会对OP造成太大的开销。是的，在这种情况下，像列表comp这样更快的东西是不可取的，因为我们正在进行特定于案例的列表追加，而在列表comp中追加是不可取的