将非方形邻接矩阵导入Networkx python

Question

我在下面的 Pandas 数据框中有一些数据，其中列代表离散技能，行代表离散工作。 仅当工作需要技能时才会出现 1，否则为 0。

     skill_1, skill_2,
job_1      1,       0,       
job_2      0,       0,       
job_3      1,       1,       

我想使用 networkx 创建一个图表来可视化工作和技能之间的这种关系。 我尝试了两种方法，一种在数据帧本身上， nx.from_pandas_adjacency和nx.from_numpy_matrix 。 后一种方法应用于数据框的 numpy 表示，其中删除了列名和行名。

在任何一种情况下，都会引发错误，因为这是一个 non_square 矩阵。 这是有道理的，因为 networkx 可能将列和行都解释为同一组节点。 但是，列和节点在这里代表明显不同的事物。 两个工作通过他们共享的技能相关联，两个技能通过他们共享的工作相关联，但任何两种技能或任何两个工作之间没有直接的优势。

鉴于我的行和列是不同的节点集，如何将我的数据导入 networkx？

Answer 1

我在下面的熊猫数据框中有一些数据，其中列代表离散技能，行代表离散工作。 仅当工作需要技能时才会出现 1，否则为 0。

     skill_1, skill_2,
job_1      1,       0,       
job_2      0,       0,       
job_3      1,       1,       

我想使用 networkx 创建一个图表来可视化工作和技能之间的这种关系。 我尝试了两种方法，一种在数据帧本身上， nx.from_pandas_adjacency和nx.from_numpy_matrix 。 后一种方法应用于数据框的 numpy 表示，其中删除了列名和行名。

在任何一种情况下，都会引发错误，因为这是一个 non_square 矩阵。 这是有道理的，因为 networkx 可能将列和行都解释为同一组节点。 但是，列和节点在这里代表明显不同的事物。 两个工作通过他们共享的技能相关联，两个技能通过他们共享的工作相关联，但任何两个技能或任何两个工作之间没有直接的优势。

鉴于我的行和列是不同的节点集，如何将我的数据导入 networkx？

Answer 2

我在下面的熊猫数据框中有一些数据，其中列代表离散技能，行代表离散工作。 仅当工作需要技能时才会出现 1，否则为 0。

     skill_1, skill_2,
job_1      1,       0,       
job_2      0,       0,       
job_3      1,       1,       

我想使用 networkx 创建一个图表来可视化工作和技能之间的这种关系。 我尝试了两种方法，一种在数据帧本身上， nx.from_pandas_adjacency和nx.from_numpy_matrix 。 后一种方法应用于数据框的 numpy 表示，其中删除了列名和行名。

在任何一种情况下，都会引发错误，因为这是一个 non_square 矩阵。 这是有道理的，因为 networkx 可能将列和行都解释为同一组节点。 但是，列和节点在这里代表明显不同的事物。 两个工作通过他们共享的技能相关联，两个技能通过他们共享的工作相关联，但任何两个技能或任何两个工作之间没有直接的优势。

鉴于我的行和列是不同的节点集，如何将我的数据导入 networkx？

Answer 3

正如 ComplexGates 所提到的，这里有一个双向矩阵。 我看到你已经添加了一个解决方案，你用零填充矩阵的其余部分以使其成为正方形。 但是，我怀疑您真正想要的是如何将双邻接矩阵转换为（方形）邻接矩阵，这与发布的解决方案不同。

对于具有 m 行和 n 列的双邻接矩阵 A，您可以将其转换为大小为 (m+n)x(m+n) 的邻接矩阵，如下所示：

┏           ┓
┃0_nxn A^T  ┃
┃A_mxn 0_mxm┃
┗           ┛

换句话说，将 A 放在 (m+n)x(m+n) 矩阵的左下角，将 A 的转置放在右上角，并用零填充剩余空间。

在代码中，如果 A 是一个 2D Numpy 数组，您可能会执行以下操作：

def bipartite_to_adjacency(A):
     m, n = A.shape
     Z_mm = np.zeros((m,m), dtype=int)
     Z_nn = np.zeros((n,n), dtype=int)
     top_partition = np.concatenate((Z_nn,np.transpose(A)), axis=1)
     bottom_partition = np.concatenate((A,Z_mm), axis=1)
     return np.concatenate((top_partition, bottom_partition))