来自加权边缘列表的numpy / scipy构建邻接矩阵

Question

我正在读取一个加权的egdelist / numpy数组，例如：

0 1 1
0 2 1
1 2 1
1 0 1
2 1 4

其中的列为“ User1”，“ User2”，“ Weight”。 我想使用scipy.sparse.csgraph.depth_first_tree执行DFS算法，该算法需要N x N矩阵作为输入。 如何将上一个列表转换为如下方阵：

0 1 1
1 0 1
0 4 0

在numpy或scipy内？

谢谢你的帮助。

编辑：

我一直在与庞大的网络（1.5亿个节点）合作，因此我正在寻找一种高效的内存存储方式。

Answer 1

您可以使用内存有效的scipy.sparse矩阵 ：

import numpy as np
import scipy.sparse as sparse

arr = np.array([[0, 1, 1],
                [0, 2, 1],
                [1, 2, 1],
                [1, 0, 1],
                [2, 1, 4]])
shape = tuple(arr.max(axis=0)[:2]+1)
coo = sparse.coo_matrix((arr[:, 2], (arr[:, 0], arr[:, 1])), shape=shape,
                        dtype=arr.dtype)

print(repr(coo))
# <3x3 sparse matrix of type '<type 'numpy.int64'>'
#   with 5 stored elements in COOrdinate format>

要将稀疏矩阵转换为密集的numpy数组，可以使用todense ：

print(coo.todense())
# [[0 1 1]
#  [1 0 1]
#  [0 4 0]]

Answer 2

尝试如下操作：

import numpy as np
import scipy.sparse as sps

A = np.array([[0, 1, 1],[0, 2, 1],[1, 2, 1],[1, 0, 1],[2, 1, 4]])
i, j, weight = A[:,0], A[:,1], A[:,2]
# find the dimension of the square matrix
dim =  max(len(set(i)), len(set(j)))

B = sps.lil_matrix((dim, dim))
for i,j,w in zip(i,j,weight):
    B[i,j] = w

print B.todense()
>>>
[[ 0.  1.  1.]
 [ 1.  0.  1.]
 [ 0.  4.  0.]]