哪个python包实现了Bellman-Ford最短路径算法？

哪个python包实现了Bellman-Ford最短路径算法

给定一个起始节点i和一个具有负权重的邻接矩阵G，我想找到从i到另一个节点j的最短路径。例如，我的图表如下所示：

import numpy
G = numpy.array([[ 0.  ,  0.55,  1.22],
                 [-0.54,  0.  ,  0.63],
                 [-1.3 , -0.63,  0.  ]])

我只能找到一个对我的需求来说太浪费的实现，因为我的图很大，我只需要一对节点的最短路径。性能对我来说很重要，因为我会用它来绘制成千上万的图表

因此，我正在四处寻找贝尔曼-福特（Bellman-Ford）的实施方案——有人看到过吗？

我自己的

def bellmanFord(source, weights):
    '''
    This implementation takes in a graph and fills two arrays
    (distance and predecessor) with shortest-path (less cost/distance/metric) information

    https://en.wikipedia.org/wiki/Bellman%E2%80%93Ford_algorithm
    '''
    n = weights.shape[0]

    # Step 1: initialize graph
    distance = np.empty(n)
    distance.fill(float('Inf'))      # At the beginning, all vertices have a weight of infinity
    predecessor = np.empty(n)
    predecessor.fill(float('NaN'))   # And a null predecessor

    distance[source] = 0             # Except for the Source, where the Weight is zero

    # Step 2: relax edges repeatedly
    for _ in xrange(1, n):
        for (u, v), w in np.ndenumerate(weights):
        if distance[u] + w < distance[v]:
        distance[v] = distance[u] + w
    predecessor[v] = u

    # Step 3: check for negative-weight cycles
    for (u, v), w in np.ndenumerate(weights):
        if distance[u] + w < distance[v]:
        raise ValueError("Graph contains a negative-weight cycle")

    return distance, predecessor

def bellmanFord（来源，重量）：
'''
此实现接收一个图并填充两个数组
（距离和前身）具有最短路径（较少成本/距离/度量）信息
https://en.wikipedia.org/wiki/Bellman%E2%80%93Ford_algorithm
'''
n=重量。形状[0]
#步骤1：初始化图形
距离=np.空（n）
distance.fill（float（'Inf'））#开始时，所有顶点的权重均为无穷大
前置项=np.空（n）
preducer.fill（float（'NaN'））#和空的preducer
距离[震源]=0#震源除外，其中权重为零
#步骤2：反复松弛边
对于x范围（1，n）内的uu：
对于（u，v），np中的w。单位重量（重量）：
如果距离[u]+w<距离[v]：
距离[v]=距离[u]+w
前置[v]=u
#步骤3：检查负重量循环
对于（u，v），np中的w。单位重量（重量）：
如果距离[u]+w<距离[v]：
提升值错误（“图表包含负权重循环”）
返回距离

这是离题的（因为它要求提供非现场库或软件工具）。Google搜索“Bellman Ford Python”的点击率很高，包括几个完整的实现（例如）。为什么不从那里开始呢？很好（+1）。我上面给出的链接提供了一个快速矢量化版本。比较两者会很有趣。@JohnColeman谢谢，但矢量化版本只返回最佳成本，而不是路径。每次迭代后，前置信息都会在内部丢失。