Python 粗粒化图形（networkx）

我试图通过预定义的节点标签将大型网络粗化为小型网络。说：

large_network = np.random.rand(100,100)
labels = [1,1,1,1,
          5,5,5,5,5,5,5,5,
          0,0,0,0,0, ...] #[1x100] 

例如，我们有10个区域，每个区域都有几个节点。 类似于成员列表（在

networkx

中的网络社区检测算法中），它告诉每个节点属于哪个社区，但这里我手动定义它。然后我需要计算新的简化邻接矩阵，比如说

[10x10]

因此，

w_{AB}=平均值（边（A，B））

的区域A和B之间边的平均权重决定了这两个区域之间边的权重

一种方法是在每个节点的边上循环，如果边的两个端点在两个区域的成员列表中，则将其添加到加权和中。 我做得对吗？

---

有没有更好的strightforward方法？

你可以在

scipy.sparse

中

coo_matrix

为你做这项工作。好的是，这种方法可以很容易地扩展到稀疏网络表示

import numpy as np
from scipy.sparse import coo_matrix

# set parameters
N = 100 # no of nodes
M = 10  # no of types

# initialise random network and random node labels
weights = np.random.rand(N, N) # a.k.a "large_network"
labels = np.random.randint(0, M, size=N)

# get sum of weights by connection type
indices = np.tile(labels, (N,1)) # create N x N matrix of labels
nominator = coo_matrix((weights.ravel(), (indices.ravel(), indices.transpose().ravel())), shape=(M,M)).todense()

# count number of weights by connection type
adjacency = (weights > 0.).astype(np.int)
denominator = coo_matrix((adjacency.ravel(), (indices.ravel(), indices.transpose().ravel())), shape=(M,M)).todense()

# normalise sum of weights by counts
small_network = nominator / denominator